王慎敏

摘 要：本文根据贝叶斯算法构建了一套多因子择时模型，以上证综指为标的，使用了20多个技术因子和基本面因子，选取2008到2016年的数据，每天开盘前根据前两年的数据建模，预测当日标的指数的涨跌，并对比了朴素贝叶斯算法和基于爬山算法的贝叶斯网算法。回测结果显示，贝叶斯网算法可以提供更稳定的收益和更高的正确率。本文同时根据模型输出信号设计了一种仓位优化算法提升模型效果，在后续的模拟组合跟踪中，模型也持续有效。

关键词：朴素贝叶斯;贝叶斯网;指数择时

一、引言

股票市场的价格在表面上看杂乱无章，但众多学者的研究表明，众多因素都可以影响股票价格，股价并非完全随机的。量化择时的目的就是通过各种指标来预测市场趋势，并在低位买入，高位卖出来获得超过市场的收益。对量化择时的研究，在目前主要分为技术派和基本面派，前者主要通过研究各类技术指标和形态等，结合历史数据来对后市进行判断，后者主要通过基本面以及资金面等来研判后市。而本文尝试使用贝叶斯算法，将技术面和基本面信息结合在一起，构建因子间的贝叶斯网络，对下一交易日的指数涨跌进行预测。

二、贝叶斯模型简介

（一）朴素贝叶斯

朴素贝叶斯分类（Nave Bayes Classifier）是以贝叶斯定理为基础并且假设特征条件之间相互独立的方法，先通过已给定的训练集，以特征值之间独立作为前提假设，学習从输入到输出的联合概率分布，再基于学习到的模型，求出使得后验概率最大的输出。……