一、指导教师长期从事金融工程与行为金融学交叉研究，核心研究方向包括 “机器学习在投资者行为分析中的应用”“量化投资策略设计与回测”，已经指导2届计算机金融双学位专业本科毕业生：基于机器学习的主观交易者研究的量化交易策略研究、基于机器学习的股票量化交易策略研究、基于深度学习的故事趋势预测模型研究与实现等、基于期货多空逻辑的交易模型研究与策略设计、股市预测的增量学习与元学习方法模型算法研究，等毕业课题与论文；熟练掌握 Python（Scikit - learn、TensorFlow 框架）、MATLAB 等数据分析工具，具备指导学生完成 “投资者主观特征指标提取、 机器学习模型训练、投资策略回测优化” 全流程技术指导的能力；曾指导 3 项大学生创新训练计划项目，具备指导学生将理论转化为实践方案的成熟经验。

二、在项目申报前，指导教师已通过以下工作为项目开展奠定基础：

1. 选题引导：结合当前金融市场热点（如量化投资对主观投资者行为的影响），明确 “从主观投资者认知偏差、风险偏好等特征切入，通过机器学习构建针对性投资策略” 的研究主线，避免研究方向泛化；

2. 数据与文献储备：向团队开放个人研究积累的数据集（含 2018 - 2024 年 A 股市场投资者交易行为微观数据、中证行业指数数据），并推荐《Behavioral Finance: Psychology, Decision - Making, and Markets》《机器学习实战：基于金融数据》等核心文献，指导学生完成文献综述框架搭建；

3. 预研指导：指导学生完成小范围预实验（基于 500 组投资者样本，用逻辑回归模型初步验证 “认知偏差与投资收益的相关性”），帮助团队掌握数据清洗、特征工程的基本方法，提前规避数据格式不统一、特征冗余等常见问题。

三、针对项目研究周期（1 年半），指导教师制定以下分阶段指导计划，明确各阶段核心任务与指导重点：

四、资源保障：为项目提供多维度支持

1. 数据资源：协调学校金融实验室开放 Wind 金融终端、指导学生使用网络各类金融数据库权限，满足项目对投资者交易数据、市场行情数据、宏观经济数据的获取需求；

2. 硬件与技术支持：协调计算中心实验机房，用于机器学习模型的高效训练；针对项目中可能遇到的 “特征选择偏差”“策略过拟合” 等问题，提供 1 对 1 技术答疑，必要时联系行业专家（如券商量化投资部分析师）开展线上指导；

3. 学术交流支持：推荐团队参加全国大学生金融创新大赛、金融工程与风险管理学术研讨会，帮助学生拓展学术视野，及时了解领域前沿动态。

五、风险预警与应对：保障项目顺利实施

指导教师提前预判项目可能面临的风险，并制定应对措施：

1. 数据获取风险：若部分微观投资者数据无法直接获取，指导学生采用 “代理变量法”（如用投资者持仓变动频率代理交易活跃度）或通过问卷调查补充数据，确保研究样本的有效性；

2. 模型效果风险：若初始构建的机器学习模型（如 SVM）预测准确率较低，指导学生尝试模型融合（如 LSTM + XGBoost）或优化特征工程（如加入宏观经济变量），提升模型解释力；

3. 时间管理风险：考虑到学生课程学习与项目研究的平衡，指导教师协助制定月度工作计划，明确各任务 deadlines，通过每周进度汇报及时调整研究节奏，避免项目延期。

综上，指导教师在专业能力、前期基础、过程指导、资源保障及风险应对等方面均能为项目提供全面支撑，助力团队顺利完成研究任务，实现 “培养学生科研创新能力、产出具有实践价值的投资策略” 的项目目标。

一、选题核心信息

二、研究背景与意义

1. 研究背景

（1）市场交易模式的二元性与局限性：当前金融市场存在主观交易与量化交易两大核心模式。主观交易依赖交易者经验与定性判断（如巴菲特对企业内在价值的分析），具备灵活性与市场突变适应性，但易受情绪干扰、判断偏差影响；量化交易依托数据与算法（如传统因子模型），具备高效性与系统性，但依赖历史数据，在黑天鹅事件、市场结构突变时易失效（如 2020 年疫情初期量化策略大面积回撤）。

（2）优秀主观交易者经验的可复用性需求：巴菲特 “价值投资”、芒格 “多元思维模型”、格雷厄姆 “安全边际” 等投资哲学已被市场验证有效，但传统方式难以将其从 “定性经验” 转化为 “可量化、可复现” 的策略，普通投资者难以高效学习复用。

（3）机器学习技术的赋能空间：已有的研究证实，机器学习（随机森林、梯度提升机）可通过价值特征与质量特征筛选高回报股票（成功率超 80%）；知识蒸馏技术可融合多模型优势，为 “主观经验 + 量化模型” 的结合提供技术路径。

2. 研究意义

（1）理论意义：填补 “主观投资哲学量化转化” 与 “机器学习动态适配市场” 的研究空白，构建 “投资哲学 - 特征工程 - 模型训练 - 策略生成” 的完整理论框架，丰富金融市场中 “人机协同” 投资理论体系。

（2）实践意义：为投资者提供兼具 “主观灵活性” 与 “量化稳健性” 的交易策略，解决传统主观交易 “经验不可复制”、量化交易 “极端市场失效” 的痛点；通过回测验证（夏普比率、最大回撤等指标），确保策略在不同市场环境（牛市、震荡市、熊市）的适用性，降低投资风险。

三、研究内容与目标

1. 核心研究内容

（1）优秀主观交易者投资哲学的量化解析

? 提炼典型主观交易者的核心投资逻辑：巴菲特的 “市盈率 / 市净率 / 净资产收益率” 价值指标、芒格的 “行业趋势 + 管理层质量” 多元特征、格雷厄姆的 “净流动资产 / 清算价值” 安全边际指标、索罗斯的 “市场情绪 + 资金流向” 反身性特征；

? 构建量化指标体系：将定性判断转化为可计算特征（如 “格雷厄姆短期偿债能力” 量化为 “流动比率 > 2 + 资产负债率 < 0.5”，“巴菲特利润增长” 量化为 “前三年每股收益 80% 时间为正且呈增长趋势”）。

（2）多源金融数据处理与特征工程

? 数据获取：通过 Tushare 获取 A 股日线 / 分钟线交易数据（开盘价、收盘价、成交量），聚宽平台获取上市公司财务数据（资产负债表、利润表、现金流量表），新浪财经 / 东方财富获取市场情绪数据（资金流向、舆情热度）；

? 数据预处理：清洗异常值（如股价异动数据）、填补缺失值（采用行业均值 / 线性插值）、时间序列归一化（消除量纲影响）；

? 特征构建：结合文献翻译成果，构建 “价值特征”（行业内市盈率分位数、市净率与行业中位数比率）与 “质量特征”（净资产收益率排名、5 年净利润稳定性），共 29 类核心特征（6 类价值 + 22 类质量 + 1 类行业 ID）。

（3）融合投资哲学的机器学习模型构建

? 构建 “教师 - 学生” 知识蒸馏模型：

? 教师模型：为每位优秀交易者构建独立模型（巴菲特模型用随机森林识别 “低估 + 长期增长” 股票，索罗斯模型用 LSTM 捕捉 “市场趋势反转点”）；

? 学生模型：采用轻量神经网络，以教师模型的 “软标签”（预测概率分布）为监督信号，融合多套投资逻辑，动态调整各教师模型权重（如震荡市提升格雷厄姆模型权重，趋势市提升索罗斯模型权重）。

（4）交易策略设计与风险控制

? 信号生成：学生模型输出 “买入 / 持有 / 卖出” 信号及置信度，置信度 > 80% 时触发高仓位（60%-80%），置信度 < 50% 时触发低仓位（20%-30%）；

? 风险控制：引入动态仓位管理（如最大回撤超 10% 强制减仓）、事件驱动调仓（黑天鹅事件时激活索罗斯模型反身性逻辑）、分批下单（降低市场冲击成本）。

（5）策略回测与优化

? 回测数据集：选取 2018-2024 年 A 股数据（覆盖牛市、震荡市、熊市周期），区分训练集（2018-2021）、验证集（2022）、测试集（2023-2024）；

? 评估指标：采用年化收益率、夏普比率（参考公式SR=\frac{E(R_p)-R_f}{\sigma_p}）、最大回撤、胜率，对比罗素 3000 指数、沪深 300 指数基准；

? 模型优化：针对过拟合问题（如随机森林树深度调整）、市场适应性问题（如加入宏观经济因子）迭代优化。

2. 研究目标

（1）完成 3-4 位优秀主观交易者投资哲学的量化指标体系构建，实现 “定性经验” 到 “定量特征” 的转化；

（2）构建基于知识蒸馏的融合模型，使学生模型在测试集上的投资级精度（年化回报≥15% 股票识别率）超 80%；

（3）设计可落地的交易策略，在 2023-2024 年测试期内实现年化收益率≥12%，夏普比率≥0.6，最大回撤≤15%；

（4）形成策略调优指南，明确不同市场环境下（牛市 / 震荡市 / 熊市）模型参数的调整方案。

四、核心创新点

1. 投资哲学量化的创新性：突破传统主观经验 “不可量化” 的瓶颈，将巴菲特 “价值投资”、芒格 “多元思维” 等抽象逻辑转化为可计算的财务指标与特征，如用 “行业内市盈率分位数” 量化 “安全边际”，提升经验复用性。

2. 模型架构的创新性：采用知识蒸馏构建 “教师 - 学生” 模型，而非单一算法，可同时融合多位交易者的投资逻辑，动态适配市场变化（如极端行情下切换索罗斯模型权重），解决传统量化模型 “单一逻辑适配性差” 的问题。

3. 策略设计的实用性：结合文献翻译中 “行业内价值特征对比”（避免跨行业倍数偏差）与动态仓位管理，兼顾收益性与风险控制，且考虑交易成本、滑点等实际因素，确保策略可落地执行。

4. 验证维度的全面性：不仅通过历史数据回测验证策略性能，还通过 “市场趋势敏感性测试”（如 2020 年疫情数据、2022 年熊市数据）验证极端环境下的稳定性，比传统回测更具实践参考价值。

五、研究方法与技术路线

1. 研究方法

2. 技术路线 

六、预期成果

1.理论成果：

? 《基于机器学习的主观投资者的投资策略研究》，研究论文；

2.实践成果：

? 可执行的交易策略代码（Python 实现，含数据接口、模型训练、回测模块）；

? 《交易策略回测报告》1 份（含 2018-2024 年回测结果、不同市场环境适配方案、风险控制建议）；

3. 应用价值：

? 为个人投资者提供 “低门槛、高稳健” 的交易辅助工具；

? 为机构投资者提供可定制化的策略框架（如调整教师模型权重适配不同风险偏好）。