第三节　研究创新性尝试

第一，本书提出了股票市场结构性分歧概念，探索了股票市场结构性分歧对指数收益的影响。区别于前人从投资者视角对个股分歧进行研究，本书从股票市场中成份股的特征入手，结合机器学习模型中的聚类算法和基尼不纯度创新地提出了股票市场结构性分歧的概念，并探究了股票市场结构性分歧对指数收益的影响。通过中证100指数股票市场的实验发现：在2015年4—8月（我国股票市场见顶及急速下跌期），中证100指数股票市场出现了极端的股票聚集现象，中证100指数股票市场的结构性分歧异常变小。此外，中证100指数股票市场结构性分歧对中证100指数收益有显著影响，市场结构性分歧越大，市场指数未来两周的收益越会显著增加，而交易量作为分歧的替代变量，并未显著影响股票市场的收益。

第二，本书分析了我国股票市场指数收益的可预测性，探索了市场结构性分歧对市场指数收益可预测性的影响，并从技术因子层面解释了市场结构性分歧的影响因素。考虑到机器学习模型的优异性能，本书选用机器学习领域经典的且在其他领域有很好表现的5种分类算法［Linear Regression（LR）、AdaBoost（AB）、GradientBoosting（GB）、XGBoost（XGB）、RandomForest（RF）］，从更严谨的角度分析了我国股票市场指数收益的可预测性。通过对中证100指数2016年12月26日至2018年7月1日的测试，本书发现：我国股票市场指数收益呈现出短期不可预测但长期可预测的特征，特别是本书提出的市场结构性分歧因子能进一步提高指数趋势预测的准确性（平均提高1个百分点），且准确性达到59%。此外，本书发现，我国中证100指数股票市场的结构性分歧主要来源于技术因子层面的交易量与市场资本的净流入。

第三，本书提出了市场结构性分歧视角下的一种择股策略，从基本面因子层面解释并验证了该策略的有效性。考虑到市场结构性分歧的影响，本书提出了市场结构性分歧视角下的择股策略，通过中证100指数成份股市场2014年1月3日至2018年8月24日的实验结果发现，本书提出的择股策略累计收益达到1.5左右，而同期的中证100指数收益仅有0.6左右，表明本书提出的策略的收益显著优于市场指数的收益；同时，在上证180指数和沪深300指数成份股市场上验证了该策略的鲁棒性及有效性。此外，本书基于金融领域常用的CAPM模型、Fama三因子模型、Carhart四因子模型和Fama五因子模型对组合的收益进行了分析，发现本书提出策略的收益虽然可以被市场因子、市值因子、账面市值比因子、动量因子解释，但因子解释后仍存在显著的α收益，进一步证明了策略的有效性。

第四，本书分析了不同市场状态下维数约减对择股策略的影响，并基于该影响提出了一种新的轮动择股策略。考虑到市场结构性分歧视角下择股策略中使用了聚类算法，而维数约减是高维数据聚类分析中不可或缺的过程，且市场行情、维数约减、噪声交易之间存在复杂的关系，本书进一步探索了不同市场行情下维数约减（主成分分析、堆栈式自编码[3]、受限玻尔兹曼机）对择股策略的影响，通过中证100指数和日经225指数成份股市场的实验结果发现：维数约减可以显著提高趋势行情下择股策略的表现，但其具体优势体现在上涨行情中还是下跌行情中依赖于分析的市场。进一步地，本书基于维数约减在不同市场行情下的影响，提出了维数约减和非维数约减之间轮动的选股策略，通过中证100指数、上证180指数、日经225指数、标普500指数成份股市场的实验发现，本书提出的轮动选股策略的周度收益率的Sharpe率显著优于同期市场结构性分歧视角下的择股策略和市场指数。