本文選題：在線學習 + 投資組合選擇�。� 參考：《華東理工大學》2017年碩士論文

【摘要】：在線學習是近二十年來機器學習領(lǐng)域熱門的研究分支,其主要特點是能夠根據(jù)線上實時數(shù)據(jù)反饋及時對模型進行自我改進和優(yōu)化,能夠保證模型在當前歷史數(shù)據(jù)下達到最優(yōu)目標值或最小損失,目前已被廣泛應用于信息和金融等領(lǐng)域。特別地,由于證券投資組合選擇問題中的股票價格具有時序性,因而可以利用在線學習算法進行有效處理。近年來,基于在線學習的在線投資組合選擇已成為機器學習和人工智能領(lǐng)域熱門的研究方向之一。許多學者提出了一系列有效的在線投資組合選擇策略,如經(jīng)典的泛化策略(UP)、指數(shù)更新策略(EG)等等。但是此類投資組合算法常常會忽略交易成本問題,因而造成算法在實際應用中效果不佳。為了解決這一問題,本論文將從在線學習算法和投資組合交易成本的角度進行研究。論文首先討論了不同損失函數(shù)下的在線學習算法的特性;然后設計了兩類新的在線投資組合算法用以解決在線投資組合選擇問題中的交易成本計算問題。第一類是針對Cover經(jīng)典的UP策略會在每一期都進行資產(chǎn)交易因而產(chǎn)生較高的交易成本問題,本文提出了基于競爭性在線算法思想的一類交易成本下的半泛化投資組合策略,簡稱SUP策略。SUP策略的基本思想是根據(jù)交易成本來選擇交易頻率,根據(jù)歷史數(shù)據(jù)選擇當期的交易量。在投資組合問題中,我們可以認為SUP是在考慮交易成本的情況下,對于投資收益高于交易成本的情況進行交易,反之則不進行投資組合交易。我們在理論上證明了 SUP策略的泛化性質(zhì)及其損失上界k ln(n)+ O(k+1)。為了實現(xiàn)這一策略,我們設計了在線因子圖和隨機游走兩個算法進行近似求解,并考察了在NYSE和SP500兩個實際數(shù)據(jù)集上的累積收益和換手率等金融指標,實驗結(jié)果表明該策略較好地解決了交易成本問題,在交易成本不斷增加的情況下,取得了比以往UP等策略更優(yōu)的結(jié)果。第二類是基于牛頓迭代算法思想提出了基于交易成本的在線牛頓步算法,簡稱ONS-Cost策略,該策略的基本思想是利用損失函數(shù)的二階信息進行迭代,其中損失函數(shù)由對數(shù)累積收益和交易成本損失項組成。在投資組合選擇問題中,此類算法可以根據(jù)損失函數(shù)自動控制投資組合的交易頻率,在提升投資收益的同時降低交易成本。我們利用牛頓迭代算法實現(xiàn)ONS-Cost策略,從實驗效果上來看,隨著交易成本增加,相比于ONS策略,ONS-Cost策略的累積凈收益下降緩慢,投資收益良好。本文的研究不僅對計算金融領(lǐng)域中在線投資組合選擇策略研究具有一定的理論意義,對金融工業(yè)界中實際投資組合策略的構(gòu)造也具有一定的指導性作用。
[Abstract]:Online learning is a hot research branch in the field of machine learning in recent 20 years. Its main characteristic is that it can improve and optimize the model in time according to the on-line real-time data feedback. It can ensure that the model can reach the optimal target value or minimum loss in the current historical data, so it has been widely used in the field of information and finance. In particular, because the stock price in portfolio selection problem is time-series, online learning algorithm can be used to deal with it effectively. In recent years, online portfolio selection based on online learning has become one of the hot research directions in the field of machine learning and artificial intelligence. Many scholars have put forward a series of effective online portfolio selection strategies, such as classic generalization strategy, index updating strategy (EGG) and so on. However, this kind of portfolio algorithm often ignores the transaction cost problem, which results in poor performance in practical application. In order to solve this problem, this paper will study the online learning algorithm and portfolio transaction cost. This paper first discusses the characteristics of online learning algorithm under different loss functions, and then designs two new online portfolio algorithms to solve the transaction cost calculation problem in online portfolio selection problem. The first is to solve the problem of high transaction cost caused by the classic up strategy of Cover. This paper proposes a semi-generalized portfolio strategy under transaction cost based on competitive online algorithm. The basic idea of SUP strategy. Sup strategy is to select the transaction frequency according to the transaction cost and to select the current trading volume according to the historical data. In the portfolio problem, we can think that SUP is to deal with the case where the investment income is higher than the transaction cost when the transaction cost is taken into account, otherwise, the portfolio transaction is not carried out. We prove theoretically the generalization property of SUP strategy and its loss upper bound k lnn ~ n) k ~ (1). In order to realize this strategy, we design online factor graph and random walk algorithm to solve the problem approximately, and investigate the financial indexes such as cumulative income and turnover rate on two real data sets of NYSE and SP500. The experimental results show that the strategy can solve the problem of transaction cost, and the result is better than that of the previous up strategy when the transaction cost is increasing. The second kind is based on Newton iterative algorithm. An online Newton step algorithm based on transaction cost is proposed, which is referred to as ONS-Cost strategy. The basic idea of this strategy is to iterate by using the second order information of loss function. The loss function consists of logarithmic cumulative income and transaction cost loss. In the portfolio selection problem, this algorithm can automatically control the trading frequency of the portfolio according to the loss function, and reduce the transaction cost while increasing the investment income. We use Newton iterative algorithm to implement ONS-Cost strategy. As the transaction cost increases, compared with ONS strategy, the cumulative net income of ONS-Cost strategy decreases slowly and the investment returns are good. The research in this paper not only has certain theoretical significance to the research of online portfolio selection strategy in the field of computational finance, but also has a certain guiding effect on the construction of actual portfolio strategy in the financial industry.
【學位授予單位】：華東理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP181

【相似文獻】

相關(guān)期刊論文 前3條

1 王秀國;王義東;;基于隨機基準的動態(tài)均值-方差投資組合選擇[J];控制與決策;2014年03期

2 凌愛凡;呂江林;;具有聯(lián)合橢圓不確定集與概率約束的魯棒投資組合選擇[J];控制與決策;2011年04期

3 ;[J];;年期

相關(guān)會議論文 前3條

1 柏林;房勇;;基于模糊回歸分析的投資組合選擇模型——以長短數(shù)據(jù)為例[A];中國系統(tǒng)工程學會第十八屆學術(shù)年會論文集——A10系統(tǒng)工程方法在金融、投資、保險業(yè)等領(lǐng)域的研究[C];2014年

2 丁元耀;張波;;KSF投資組合選擇模型的若干結(jié)果[A];21世紀數(shù)量經(jīng)濟學（第9卷）[C];2008年

3 姚海祥;;基于非參數(shù)估計方法和CARA效用函數(shù)的投資組合選擇[A];第十三屆中國管理科學學術(shù)年會論文集[C];2011年

相關(guān)重要報紙文章 前1條

1 Morningstar晨星(中國)研究中心 車小嬋;美國529大學儲蓄計劃：籌劃當下 儲備未來[N];中國證券報;2010年

相關(guān)博士學位論文 前9條

1 張惜麗;多種測度下的投資組合選擇模型與算法研究[D];華南理工大學;2011年

2 魏紅剛;下跌風險約束下的投資組合選擇研究[D];南開大學;2010年

3 吳祝武;基于均值—方差框架的若干投資組合選擇模型研究[D];中國礦業(yè)大學;2011年

4 趙曉英;不確定性對我國城鎮(zhèn)居民消費和投資組合選擇的影響研究[D];湖南大學;2007年

5 曲震霆;壽險資金投資組合選擇模型研究[D];吉林大學;2008年

6 李婷;考慮背景風險因素的可能性投資組合選擇模型研究[D];華南理工大學;2013年

7 楊科威;含勞動收入的動態(tài)消費—投資組合選擇理論及應用[D];復旦大學;2007年

8 楊揚;基于統(tǒng)計學習理論的安全第一投資組合選擇[D];河北大學;2015年

9 秦中峰;金融模糊模型與方法[D];清華大學;2009年

相關(guān)碩士學位論文 前10條

1 李琦;投資組合選擇理論的Bayes方法比較研究[D];山東大學;2016年

2 王曉弟;隨機環(huán)境下動態(tài)投資組合選擇問題研究[D];安徽工程大學;2016年

3 蔡軍;具有交易成本的多階段投資組合選擇模型研究[D];南京理工大學;2016年

4 朱燕;基于在線學習算法的投資組合選擇問題研究[D];華東理工大學;2017年

5 周軍龍;在線投資組合選擇中的魯棒反轉(zhuǎn)策略研究[D];華東理工大學;2014年

6 王秀蓓;摩擦市場下模糊增強型跟蹤指數(shù)投資組合選擇[D];湖南大學;2013年

7 陳緒新;投資組合選擇理論與中國證券投資基金實務[D];對外經(jīng)濟貿(mào)易大學;2002年

8 李辰;基于泛投資組合選擇問題中學習交易算法的研究及其應用[D];華東理工大學;2014年

9 侯亞軍;開放式基金的投資組合選擇[D];內(nèi)蒙古大學;2007年

10 潘麗麗;基于非單調(diào)效用理論的投資組合選擇問題[D];南京理工大學;2007年

，

本文編號：1885523