王泽宇 上海财经大学金融学院

一、引言

多因子选股模型是量化投资实务中应用最广泛的一种模型，也是理论研究的重要内容，最经典的多因子选股模型是Fama- French[1]提出的三因子模型。之后的多因子模型研究主要是在三因子模型提出的思想和方法基础上对因子的研究和因子模型的有效性检验。传统的因子模型策略多采用回归的方式，利用历史数据回归出预期收益率和多个因子之间的线性关系，从而在取得当期数据后计算出预期的收益率，并根据收益率的高低选择合适的股票。但是股票价格的波动与其影响因子之间的关系往往呈现出复杂的非线性特性[2]。面对股票数据的非线性性，利用线性模型的预测方法难以达到令人满意的效果[3]。

人工智能、机器学习的兴起为多因子模型构建提供了新的思路和方法[4]，将机器学习模型融入多因子选股模型的研究中，是多因子选股模型的改进方向之一[5]。相比传统的线性多因子模型，机器学习算法能够通过对因子的非线性表达，更加精细地捕捉到市场的信号，从而获取较为稳健的超额收益[6]，机器学习算法主要基于其从数据中学习到的经验知识来预测资产价格，使得从数据中挖掘出更多与未来资产价格相关的信息成为可能[7]。决策树模型能够较好地映射非线性关系，易于理解和实现，速度快，易改造分类规则[8]，因此，使用机器学习中的决策树模型来对于传统的三因子模型进行改进有其应有之义，笔者的研究对于丰富金融投资理论和实践具有一定的参考价值。……