摘要: 股票市场作为重要的资本市场之一，是投资者寻求资产增值的主要渠道，也是公司依靠的融资平台。因此，为了满足投融资的双向需求，发掘具有潜在投资价值的股票成为市场关注的焦点。现有文献在对股票进行研究时主要基于基本面或技术指标，而单类指标无... 展开 股票市场作为重要的资本市场之一，是投资者寻求资产增值的主要渠道，也是公司依靠的融资平台。因此，为了满足投融资的双向需求，发掘具有潜在投资价值的股票成为市场关注的焦点。现有文献在对股票进行研究时主要基于基本面或技术指标，而单类指标无法同时捕捉股价变动的长短期趋势，少数文献简单混合了两类指标，但易导致信息的有效性下降。此外，线性模型可提取到的信息有限，高维非线性模型也存在参数不稳定的问题。基于以上分析，本文将月度的基本面指标与日度的高频指标相融合，构建LR-XGBoost联合模型进行选股策略的制定，为投资者进行投资决策的制定提供参考。 本文以中国A股市场2017年1月1日至2022年9月30日的日内与日间数据作为研究样本，构建了16个基本面因子、5个技术因子与5个高频因子，通过LR-XGBoost模型实现对股票收益率的预测并进行两轮股票筛选。首先将月频的基本面指标用于LR模型当中，得到所有股票的下月预期收益率，然后取最高的前50%作为XGBoost模型的股票样本，基于该股票样本，将处理为日频的技术因子与高频因子带入XGBoost模型当中，最终选取每日的预期收益率位于前10位的股票构建投资组合。为进一步验证策略的有效性，本文探讨了股票池容量、股票调仓频率对策略造成的影响，从而寻找适合于本文的最佳投资方案。最后，考虑到市场波动的不确定性，本文采用最新的2022年10月1日至2023年2月28日的市场数据，验证本文所制定的选股策略随时间变化的有效性。 实证结果表明：本文构建的选股策略可获得51.5%的年化平均收益率以及70.5%的累计收益率，相比于中证500指数，可获得77.1%的累计相对收益率且最大回撤为18.08%；并且LR-XGBoost联合回归模型的预测表现明显优于XGBoost回归模型，该结果为本文制定联合模型的必要性提供充足依据；此外，在资金池一定的情况下，通过对比策略容量为10只、30只以及50只的股票池，发现制定的投资策略可容纳的最佳股票容量为10只；在调仓频率的设定上，发现最佳预测周期为1日，说明本策略更适用于短周期的预测情景，符合高频指标的特性；将时间样本进一步延长至2023年2月28日，本文选股策略仍可获得76.3%的累计相对收益率。上述研究表明，在考虑股票容量、调仓频率和预测周期的前提下，本文提出的联合模型能够在控制风险的同时为投资者提供较高的投资回报率。 收起