叶殷如

（深圳市前海汇富联合基金管理有限公司，广东 深圳 518000）

量化投资，即根据金融逻辑或统计规律等建立数学模型，并通过计算机进行策略的实现，近年来在国内金融市场上的地位日渐提高，在A 股市场中越来越多的机构与个人投资者开始使用量化方式指导投资决策。A 股市场中，量化策略按频率分类主要分为高频策略与中低频策略，高频策略数据最小时间单位为1tick（3 秒），中低频策略数据最小时间单位为天。中低频策略主要由交易型策略和基本面策略组成，而基本面量化最常见的一种模型大类为多因子模型，例如回归模型、机器学习模型等。

对于A 股中低频策略，多因子模型中的中低频因子多为财务因子或财务衍生因子，由于因子众多，因子间相似程度较高，计算机处理相关因子数据时有过多噪声和不必要的运算，影响策略运行效率与质量，因此有必要对因子进行降维处理。在现行市场上中低频因子逐渐失效的现实背景下，机器学习方法可以通过对大量历史数据进行统计、回测、总结、计算和预测，达到提高胜率的目的。本文提出PCA_Adaboost 模型，即首先通过PCA 算法对多因子进行降维，得到的新因子作为Adaboost 的弱分类器，最终迭代学习出强分类器。

1 模型介绍

1.1 Adaboost 模型

Adaboost 是一种常用的分类模型。Adaboost 算法是boosting 算法的一种改进［1］，对多个弱分类器通过迭代进行权重的调整，最终合并成强分类器，提高分类性能，降低误差。具体过程如下：

（1）假设测试数据为｛（x1，y1），（x2，y2），…，（xn，yn）｝，其中y 为样本标签，y∈｛-1，1｝；……