作者：石川

摘要：摘要：邏輯回歸是一種有機(jī)監(jiān)督學(xué)習(xí)分類器，在量化投資領(lǐng)域可以被用來選股。本文介紹邏輯回歸的數(shù)學(xué)背景和應(yīng)用實(shí)踐。

1 邏輯回歸分類器

邏輯回歸由統(tǒng)計(jì)學(xué)家 David Cox 于 1958 年提出。與傳統(tǒng)的線性回歸不同，邏輯回歸（logistic regression）中響應(yīng)變量（因變量）的取值不是連續(xù)的，而是離散的，每個(gè)取值代表一個(gè)不同的類別。因此，邏輯回歸的本質(zhì)是一個(gè)分類器（classifier）。它是一種有監(jiān)督學(xué)習(xí)，通過訓(xùn)練集數(shù)據(jù)中的樣本的特征向量 x 和標(biāo)簽 y（即響應(yīng)變量的類別）來訓(xùn)練模型的參數(shù)，并使用該模型對未來的新樣本進(jìn)行分類。

最簡單的邏輯回歸中響應(yīng)變量是二分類的（binary），即它僅僅可以取兩個(gè)值，代表不同的兩類。按照慣例，它的取值為 0 和 1。即便是最簡單的模型也有廣泛的應(yīng)用，比如這兩類可以代表著比賽中的輸和贏、考試中的通過和失敗、醫(yī)療領(lǐng)域的健康和生病、以及股市中的漲和跌等。如果響應(yīng)變量的取值多于兩類，則這樣的問題叫做多項(xiàng)邏輯回歸（multinomial logistic regression）。

本文以最簡單的二元邏輯模型（binary logistic model，即響應(yīng)變量 y 只能取 0 和 1 兩個(gè)值）為例，介紹邏輯回歸的數(shù)學(xué)含義以及它在量化選股中的應(yīng)用。本文的最后會(huì)簡單談一談求解多項(xiàng)邏輯回歸——即 Softmax 回歸——以及它在卷積神經(jīng)網(wǎng)絡(luò)中的應(yīng)用。下文中如無特殊說明，當(dāng)我們提到“邏輯回歸”時(shí)，指代的都是最簡單的二元邏輯回歸。

2 數(shù)學(xué)模型

在二元邏輯回歸中，回歸模型根據(jù)樣本點(diǎn)的特征（features）計(jì)算該樣本點(diǎn)屬于每一類的條件概率。在數(shù)學(xué)上，通過給定的函數(shù)將樣本點(diǎn)的 n 維特征向量 x 轉(zhuǎn)化成一個(gè)概率標(biāo)量。具體的，具備特征向量 x 的樣本點(diǎn)屬于 1 和 0 兩類的條件概率為：

其中，函數(shù) σ(z) ≡ 1 / (1 + exp(-z)) 被稱為邏輯函數(shù)（logistic function）或 sigmoid 函數(shù)（因?yàn)?σ(z) 形如 S 曲線）；它的取值范圍在 0 和 1 之間。邏輯回歸的目的是通過訓(xùn)練集數(shù)據(jù)找到最優(yōu)的權(quán)重 w 使得分類結(jié)果盡量同時(shí)滿足如下目標(biāo)：

邏輯回歸將樣本點(diǎn)的特征向量 x 按照權(quán)重 w 進(jìn)行線性組合得到標(biāo)量 z，再將 z 放入邏輯函數(shù) σ(z) 最終求出該樣本點(diǎn)屬于類別 1 以及 0 的概率，從而對其進(jìn)行分類——如果 h_w(x) > 1 - h_w(x) 則該樣本點(diǎn)被分為類別 1，反之為類別 0。

如何決定權(quán)重 w 呢？假設(shè)訓(xùn)練集共有 m 對兒數(shù)據(jù) {(x_i, y_i), i = 1, 2, …, m}，為了盡量同時(shí)實(shí)現(xiàn)上述目標(biāo)，定義 cost function 如下：

使用訓(xùn)練集數(shù)據(jù)訓(xùn)練模型的參數(shù) w 以使上述 cost function 最小化。對于訓(xùn)練集中的每一個(gè)樣本點(diǎn)，上述方程的兩項(xiàng)中有且僅有一個(gè)不為 0。對于第 i 個(gè)樣本點(diǎn)，如果 y_i = 1，則最小化上述方程意味著最大化 h_w(x_i)，即最大化該點(diǎn)被分類為 1 的概率；同理，如果 y_i = 0，則最小化上述方程意味著最大化 1 - h_w(x_i)，即最大化該點(diǎn)被分類為 0 的概率。

從上面的論述可知，J(w) 同時(shí)考慮了 1 和 0 兩類分類的準(zhǔn)確性。使用訓(xùn)練集對該模型訓(xùn)練，找到最優(yōu)的?w，使得 J(w) 最小，這就是邏輯回歸模型的學(xué)習(xí)過程。一旦確定了模型參數(shù)，就可以使用它對新的樣本進(jìn)行分類。對于新的樣本點(diǎn)特征向量 x'，如果 h_w(x') > 0.5，則該點(diǎn)被分到 y = 1 類；反之被分到 y = 0 類。最優(yōu)化 J(w) 可以采用梯度搜索（gradient search），為此只需要計(jì)算出 J 的梯度 ?J(w)，在此不再贅述。

最后值得一提的是，在計(jì)算特征向量的線性組合時(shí)，往往會(huì)額外考慮一個(gè)截距項(xiàng)。這相當(dāng)于在原始 n 維特征向量 x 中加入一個(gè)元素 1（因此特征向量變?yōu)?n+1 維），而x的線性組合也因此變?yōu)椋?/span>

當(dāng)然，這個(gè)截距項(xiàng)不是必須的。使用者可以根據(jù)待解決的問題判斷是否應(yīng)該在特征向量中加入該項(xiàng)。流行的統(tǒng)計(jì)分析工具（比如 Python 的 sklearn）允許使用者自行決定是否在模型中加入截距項(xiàng)。

3 一個(gè)例子

讓我借用 Wikipedia 上面的例子來說明邏輯回歸的應(yīng)用。這是一個(gè)關(guān)于學(xué)習(xí)時(shí)間和考試通過與否的例子。假設(shè)一共有 20 名學(xué)生（樣本點(diǎn)），特征向量為截距項(xiàng) 1 和學(xué)習(xí)時(shí)間組成的二維向量。考試結(jié)果分為 1（通過）和 0（失?。Ｎ覀儾捎眠壿嫽貧w來建立考試時(shí)間和通過與否之間的關(guān)聯(lián)。訓(xùn)練集數(shù)據(jù)如下：

使用訓(xùn)練集數(shù)據(jù)建模，得到的邏輯回歸模型參數(shù)（特征向量的權(quán)重）：

從模型參數(shù)可以看出，是否通過考試和該學(xué)生的努力程度（學(xué)習(xí)時(shí)間）是正相關(guān)的，這符合人們的預(yù)期。將模型參數(shù)帶入到 sigmoid 函數(shù)中便可計(jì)算出給定學(xué)習(xí)時(shí)間下考試通過的概率：

使用該模型便可以對新的考生是否通過考試進(jìn)行判斷。將訓(xùn)練集中的 20 名考生的學(xué)習(xí)時(shí)間帶入到上式可繪制圖這個(gè) sigmoid 函數(shù)（確實(shí)形如 S 曲線）：

4 使用邏輯回歸選股

經(jīng)過上面的介紹，我們已經(jīng)對邏輯回歸的原理和它的應(yīng)用有了一定的認(rèn)識。下面就來將它應(yīng)用于量化投資相關(guān)的領(lǐng)域——選股。為說明這一點(diǎn)，使用股票的因子作為特征向量，使用股票的漲跌強(qiáng)弱作為響應(yīng)變量，建立邏輯回歸模型來選股。本實(shí)驗(yàn)中，以中證 500 的成分股為例。特別的，考慮 2016 年 12 月 31 日時(shí)這 500 支成分股的最新截面因子數(shù)據(jù)。考察的十個(gè)因子包括：EP、BP、ROE、Liability/Asset、規(guī)模、換手率、動(dòng)量、反轉(zhuǎn)、市場 β、殘差波動(dòng)率。

由于選股的目的是使用因子來對未來的收益率做預(yù)測，因此我們使用這 500 支成分股在 2017 年 1 月份的收益率作為響應(yīng)變量的原始數(shù)據(jù)。由于在二元邏輯回歸中，響應(yīng)變量必須是二元的，因此我們需要將這 500 支個(gè)股的絕對收益率轉(zhuǎn)換成 0 和 1。為此，可以有以下幾種方法：

在量化選股中，為了對沖掉市場風(fēng)險(xiǎn)，往往希望判斷股票的相對強(qiáng)弱。實(shí)驗(yàn)中采用上述的第三種方法將股票的收益率轉(zhuǎn)化為二元響應(yīng)變量。訓(xùn)練集數(shù)據(jù)準(zhǔn)備就緒，便可以訓(xùn)練回歸模型。假設(shè)特征向量中不考慮截距項(xiàng)，得到的回歸模型參數(shù)如下。

可以看出，收益率和 BP 以及 ROE 成正比。有意思的是，收益率和 β 成反比。這似乎說明市場更加青睞小 β 的藍(lán)籌股。想更系統(tǒng)的分析每個(gè)因子對于選股的作用，需要使用多期數(shù)據(jù)同時(shí)在時(shí)間和截面兩個(gè)維度進(jìn)行邏輯回歸。接下來看看在這個(gè)簡單的實(shí)驗(yàn)中，邏輯回歸模型對樣本內(nèi)數(shù)據(jù)的分類正確性。預(yù)測的正確性必須從準(zhǔn)確率和召回率兩方面同時(shí)評價(jià)。假設(shè)我們預(yù)測一共有 X 支股票上漲，其中有 A 支猜對了、B 支猜錯(cuò)了；我們預(yù)測一共有 Y = (500 - X) 支下跌，其中有 C 支猜錯(cuò)了、D 支猜對了。則這兩個(gè)指標(biāo)的定義為：

準(zhǔn)確率衡量的是在所有你猜測的某一類（漲或跌）樣本中，有多少是正確的；而召回率是用來衡量在所有某一類的（漲或跌）樣本中，有多少被你猜出來了。對于實(shí)驗(yàn)中的這個(gè)邏輯回歸模型，它的正確性如下：

僅從這些數(shù)字上來看，似乎效果還不錯(cuò)。但是不要忘記，這僅僅是對樣本內(nèi)數(shù)據(jù)的判斷結(jié)果（模型就是用它們來構(gòu)建的）；這些不說明樣本外的預(yù)測準(zhǔn)確性。通過這個(gè)例子，僅僅想說明利用邏輯回歸可以進(jìn)行量化選股。因此，我們的例子止于此。在真正應(yīng)用中，正如前文提到的，應(yīng)該使用多期在時(shí)間和截面兩個(gè)維度的樣本數(shù)據(jù)建模，并采用交叉驗(yàn)證來評價(jià)模型在樣本外的分類準(zhǔn)確性，以此最終確定模型的參數(shù)。

5 邏輯回歸、Softmax 回歸和卷積神經(jīng)網(wǎng)絡(luò)

最后，簡單談?wù)勥壿嫽貧w、Softmax 回歸和卷積神經(jīng)網(wǎng)絡(luò)的關(guān)系。先來說說神經(jīng)網(wǎng)絡(luò)（neural networks），它由多個(gè)、多層神經(jīng)元（neuron）構(gòu)成，每個(gè)神經(jīng)元就是一個(gè)計(jì)算單元（見下圖），由輸入特征、輸出值、以及激活函數(shù)構(gòu)成。

在這個(gè)例子中，x_1、x_2、x_3 和截距項(xiàng) 1 就是輸入的特征，h_w(x) 就是輸出，而邏輯回歸中的 sigmoid 函數(shù)就是一種常見的激活函數(shù)（其他常見的激活函數(shù)包括 tanh 函數(shù)和 max 函數(shù)等）。

再來看看 Softmax 回歸。它是一種多項(xiàng)邏輯回歸，即響應(yīng)變量的取值大于兩類。假設(shè)共有 K > 2 類，每個(gè)樣本點(diǎn)的響應(yīng)變量 y_i 的取值為 1 到 K 之間的某一個(gè)值。多項(xiàng)邏輯回歸的應(yīng)用更加廣泛，比如在手寫數(shù)字識別中，一共有 0 到 9 是個(gè)數(shù)字，因此一共可以有 10 類。將二元邏輯回歸的數(shù)學(xué)含義延伸易知，在 Softmax 回歸中我們希望計(jì)算出樣本點(diǎn)在其給定的特征向量下，屬于每一類的條件概率：

其中 θ^(1)，θ^(2)，……，θ^(K) 為模型的參數(shù)，通過訓(xùn)練集數(shù)據(jù)訓(xùn)練得到。與二元邏輯回歸類似，定義 cost function 如下：

其中 1{} 為指示函數(shù)，當(dāng) {} 中的條件為真時(shí)，它的取值為 1，否則為 0。通過最小化這個(gè)目標(biāo)函數(shù)就可以得到最優(yōu)的參數(shù) θ^(1)，θ^(2)，……，θ^(K)。求解時(shí)同樣可以采用梯度搜索法。

Softmax 回歸往往作為卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network）的最后一步。卷積神經(jīng)網(wǎng)絡(luò)是在神經(jīng)網(wǎng)絡(luò)上發(fā)展出來的，可以被用來進(jìn)行圖像識別的強(qiáng)大工具。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在面對高像素的圖像進(jìn)行識別時(shí)無能為力，這是因?yàn)楦呦袼貙?yīng)的特征數(shù)巨大，遠(yuǎn)超過計(jì)算機(jī)可以承受的范圍；此外巨大的特征也使得特征矩陣非常稀疏。卷積神經(jīng)網(wǎng)絡(luò)通過卷積計(jì)算對原始的特征進(jìn)行高度的抽象，通過局部感知和參數(shù)共享大大的減少了特征數(shù)。此外，它通過使用多層卷積以及池化等手段，進(jìn)一步抽象特征，最終得到原始圖像的高度提煉的信息。而在最后一步，使用這個(gè)高度抽象的信息對圖像進(jìn)行分類（識別），計(jì)算它屬于不同類別的概率。在實(shí)際應(yīng)用中，圖像的類別往往成百上千，甚至更多，這便要用到 Softmax 回歸。

參考文獻(xiàn)

https://en.wikipedia.org/wiki/Logistic_regression

http://ufldl.stanford.edu/tutorial/supervised/SoftmaxRegression/

免責(zé)聲明：入市有風(fēng)險(xiǎn)，投資需謹(jǐn)慎。在任何情況下，本文的內(nèi)容、信息及數(shù)據(jù)或所表述的意見并不構(gòu)成對任何人的投資建議。在任何情況下，本文作者及所屬機(jī)構(gòu)不對任何人因使用本文的任何內(nèi)容所引致的任何損失負(fù)任何責(zé)任。除特別說明外，文中圖表均直接或間接來自于相應(yīng)論文，僅為介紹之用，版權(quán)歸原作者和期刊所有。