《表5 机器学习驱动的基本面量化投资策略在三种交易成本时的多空组合投资绩效》
注:这里基于12个月的滑动窗口,样本区间为1997年1月至2018年10月。
实际投资中,每一笔交易都有交易成本,包含显性的券商佣金和隐性的买卖价差等。本文进一步检验了机器学习驱动的基本面量化投资策略在不同交易成本下的表现。本文考虑了交易成本(Transaction Cost,transcost)为单边0.50%、0.75%和1.00%的三种情形,表5展示了三种交易成本时投资组合的风险收益情形(1)。当交易成本为0.50%时,各种基本面量化投资策略仍能获得显著的超额收益,DFN算法仍获得最好的表现。当交易成本为0.75%时,OLS、Ridge和Lasso算法构建的多空组合收益不再显著,而其他算法多空组合仍能保持显著超额收益。而当交易成本上升至1.00%时,XGBoost、GBDT和DFN这三种算法的平均收益仍显著,而所有算法经Fama-French五因子调整后的超额收益均不再显著。考虑到A股市场上投资者的交易成本通常小于0.5%,本文所提出的基本面量化投资策略在承担合理交易成本时仍能获得显著的收益与风险调节收益。 (附12)
图表编号 | XD0087423300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.17 |
作者 | 李斌、邵新月、李玥阳 |
绘制单位 | 武汉大学经济与管理学院 |
更多格式 | 高清、无水印(增值服务) |