原文阅读：http://club.jr.jd.com/quant/topic/953653
非负矩阵分解（NMF）本身是一个降维算法，在量化中可以用来识别市场驱动因素以及相应的个股。不过需要说明的一点是，本人目前还处于探索阶段，还没写出相应策略，因此也不敢肯定他的效果。有兴趣的可以讨论一下。
首先我们获取一个矩阵，行为时间，列为股票代码，值为相应的成交量，代码如下：
然后，将该矩阵分解，需要指定特征数量，这里用的是5
这样上述矩阵就分解为了 pw,pf两个矩阵。pw叫做权重矩阵，pf叫做特征矩阵。
pw可以看出驱动市场的主要因素是什么；pf可以看出哪只个股受该驱动因素影响最大
这是pw矩阵最后15行
可以看出从8月18日开始，第二个特征（即第二列）权重高于其他特征
通过pf矩阵第二行，可查到首次特征影响最大的个股。
返回值为 ['000826.SZ', '300002.SZ']。说明这两只个股走势具有一定相关性
这两个股票和沪深300在2016-8-18到2016-9-1走势如下：
原文阅读：http://club.jr.jd.com/quant/topic/953653
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/31409419/viewspace-2130722/ ，如需转载，请注明出处，否则将追究法律责任。
上一篇：
没有了~
下一篇：
简介量化金融中使用的时间序列模型（一）
请登录后发表评论
登录
全部评论
