FA590 统计学习 · 史蒂文斯理工学院 · 2025 年秋

用机器学习预测股票收益

我自己管理投资组合,所以想同时从预测误差和构建出的组合两个角度比较模型。 我在 2009–2021 年的股票月度收益上测试了五个模型。在这次比较里,LightGBM 的测试 R² 和组合夏普比率都是最高的。

测试集信息系数(IC)

Spearman 秩相关,2018–2021
作者
陈桢涵
数据
2009–2021 年 890,592 条月度观测 · 94 个公司特征 + 8 个宏观变量
划分
训练 2009 年 1 月–2017 年 12 月 · 测试 2018 年 1 月–2021 年 11 月,不打乱顺序
模型
OLS · Ridge · Lasso · LightGBM · MLP (32-16)
01

预测准不准 vs. 排序对不对

R² 衡量收益预测误差相对基准的大小;IC 衡量预测的股票排序和实际排序有多一致。

数据表

神经网络的训练 R² 是 15.1%,测试 R² 却是 −21.3%。给 OLS 加上 Ridge 或 Lasso 正则化,几乎没有改善。 线性模型的收益预测误差虽然比平均收益基准还大,排序相关性仍然是正的。

02

组合对比

每个月按预测收益给所有股票排序,等权买入前 100 只,持有一个月。

年化夏普比率

前 100 只等权,测试期,未扣交易成本

报告没有扣除交易成本。这次测试中 LightGBM 组合每月收益约 4.4%,月波动率 12.4%。 Lasso 的平均收益略高,但 LightGBM 的夏普比率更高。这些是回测结果,不是预期收益。

03

特征重要性

在选出的 50 个特征里,按 LightGBM 分裂增益排前 20 的特征。全市场层面的变量单独标色。

宏观变量公司特征
macro_ep 全市场盈利价格比macro_tms 期限利差 macro_svar 股市方差macro_dp 全市场股息价格比 macro_dfy 违约收益率利差macro_ntis 股票净发行 mom12m / mom6m / mom1m 过去 12、6、1 个月收益baspread 买卖价差

排名最高的三个特征都是宏观变量,动量类特征也排在前面。 这些排名说明的是模型用了哪些变量,并不构成对收益的因果解释。

04

局限

预处理、样本区间和交易成本。

LightGBM 只解释了测试期 1.45% 的收益方差。训练期从 2009 年开始,没有包含 2008 年金融危机。 报告里先写了中位数填补和基于相关性的特征筛选,后面才讲时间划分,没有说明这些步骤只用了训练数据。 更严格的做法是在每个训练窗口内完成所有预处理,在不同时间段重复比较,并扣除交易成本。