精選文章
利用TEJ「投資因子資料庫」與機器學習方法建構風格因子-以動能因子為例
本文旨在結合機器學習方法與在地市場的股票特徵，建立一套能兼具穩健性與預測能力的風格因子。具體而言，本文沿用Gu（2020）方法，採用線性回歸（OLS）、正則化線性模型（RIDGE、LASSO）、主成分回歸（PCR）與梯度提升決策樹回歸模型（GBDT）作為建構風格因子的模型。此外，為了因應因子在地化的特色，本研究擬採用TEJ的「投資因子資料庫」、「未調整(日)技術指標」，根據資料庫的分類篩選出常用的六大類因子，包含：動能、價值、成長、品質、流動性、技術，分別建模產生預測值，作為六大類風格因子的代理變數。其次，為評估這些風格因子對橫截面股票期望報酬率的解釋能力，本文進一步採用 Fama–MacBeth 兩階段回歸（以下簡稱 FM 回歸）檢驗風格因子橫截面的預測能力；同時，運用因子分析工具 alphalens-tej 評估因子預測能力及訊號的可交易性，以作為因子投資策略設計與投資組合管理的依據。
會員