為推動我國半導體產業(yè)的發(fā)展,各地方政府紛紛設立了半導體基金,在政府的帶動作用下,社會資本也大量涌入。半導體投資的初衷是推動我國該產業(yè)的快速發(fā)展,但實際上卻并沒有起到多大的效果,國內對部分標的物的盲目、重復投資和部分領域投資過熱的現(xiàn)象,反而推高了半導體的PE估值。顯然,國內的半導體投資中存在著一些問題和痛點。因此本文將視野拓展到全球半導體行業(yè),來看清國內存在的問題,結合機器學習算法來預測全球半導體股票的漲跌,進行產業(yè)鏈選股,以此來解決國內半導體投資難題。本文要解決的問題是如果一只基金的一部分資金用于投資半導體行業(yè),那么該選擇哪些股票以及如何去選。為研究該問題,通過對半導體行業(yè)的分析,本文選取了全球半導體行業(yè)所有股票的52個指標從2008年到2018年的年度數據,進行實證研究。經過數據預處理和特征選擇后,將2008年至2014年的數據作為訓練集,2015年至2018年數據作為測試集,分類標簽為股票下一年的漲跌。通過構建MLP神經網絡對股票的漲跌進行預測,同時將XGBoost和隨機森林算法作為對比,并通過調整模型參數和特征選擇對模型進行優(yōu)化。分別從分類能力、泛化能力和算法效率三個方面對模型進... 

【文章來源】：上海師范大學上海市

【文章頁數】：104 頁

【學位級別】：碩士

【部分圖文】：

技術路線圖

文獻綜述與相關理論上海師范大學碩士學位論文14多因子選股的不足之處在于，任何一個多因子選股模型都具有一定的時效性、風險性，需要使用者根據市場情況進行調整和更新。2.2.3相關算法理論（1）MLP神經網絡理論神經網絡是仿生物神經網絡而來的一種技術，通過連接多個特征值，經過線性和非線性的組合，最終達到一個目標。這個目標可以是識別一只股票是漲是跌，或者屬于哪個分布。MLP即全連接神經網絡，又名多層感知器，除了輸入層、輸出層，它中間可以有多個隱含層，隱含層的存在可以解決非線性可劃分的數據問題。最簡單的MLP模型只包含一個隱含層，即三層的結構，如下圖：圖2-1只有一個隱含層的MLP模型圖2-2MLP模型的簡化結構從上圖可以看到，多層感知器的層與層之間是全連接的，上一層的任何一個神經元與下一層的所有神經元都有連接。多層感知器最底層是輸入層，中間是隱含層，最后是輸出層。輸入層如果輸入的是一個n維向量，就有n個神經元。由于隱含層的神經元與輸入層是全連接的，假設輸入層用向量X表示，則隱含層的輸出就是11f(WX+b)，1W是權重，也叫連接系數，1b是偏置，函數f可以是常用的sigmoid函數或者tanh函數，其中sigmoid函數的公式為：1()1asigmoidae=+(2-1)

文獻綜述與相關理論上海師范大學碩士學位論文14多因子選股的不足之處在于，任何一個多因子選股模型都具有一定的時效性、風險性，需要使用者根據市場情況進行調整和更新。2.2.3相關算法理論（1）MLP神經網絡理論神經網絡是仿生物神經網絡而來的一種技術，通過連接多個特征值，經過線性和非線性的組合，最終達到一個目標。這個目標可以是識別一只股票是漲是跌，或者屬于哪個分布。MLP即全連接神經網絡，又名多層感知器，除了輸入層、輸出層，它中間可以有多個隱含層，隱含層的存在可以解決非線性可劃分的數據問題。最簡單的MLP模型只包含一個隱含層，即三層的結構，如下圖：圖2-1只有一個隱含層的MLP模型圖2-2MLP模型的簡化結構從上圖可以看到，多層感知器的層與層之間是全連接的，上一層的任何一個神經元與下一層的所有神經元都有連接。多層感知器最底層是輸入層，中間是隱含層，最后是輸出層。輸入層如果輸入的是一個n維向量，就有n個神經元。由于隱含層的神經元與輸入層是全連接的，假設輸入層用向量X表示，則隱含層的輸出就是11f(WX+b)，1W是權重，也叫連接系數，1b是偏置，函數f可以是常用的sigmoid函數或者tanh函數，其中sigmoid函數的公式為：1()1asigmoidae=+(2-1)

【參考文獻】：
期刊論文
[1]我國半導體顯示產業(yè)財政補貼效應及研發(fā)效率研究[J]. 張振華.  工業(yè)技術經濟. 2020(02)
[2]基于PSO-MLP神經網絡的遙信插件質量識別方法研究[J]. 陳東陽.  電力系統(tǒng)保護與控制. 2020(03)
[3]基于神經網絡的股票預測模型[J]. 喬若羽.  運籌與管理. 2019(10)
[4]基于全連接神經網絡的雷達目標航跡識別[J]. 馮訣宵,樊玉琦.  東北師大學報(自然科學版). 2019(03)
[5]基于神經網絡的股票收益率預測研究[J]. 潘水洋,劉俊瑋,王一鳴.  浙江大學學報(理學版). 2019(05)
[6]基于EMD改進的Elman神經網絡對股票的短期預測模型[J]. 吳曼曼,徐建新.  計算機工程與科學. 2019(06)
[7]深度學習神經網絡的新型自適應激活函數[J]. 劉宇晴,王天昊,徐旭.  吉林大學學報(理學版). 2019(04)
[8]基于神經網絡集成學習股票預測模型的研究[J]. 謝琪,程耕國,徐旭.  計算機工程與應用. 2019(08)
[9]基于滬深300成分股的量化投資策略研究[J]. 呂凱晨,閆宏飛,陳翀.  廣西師范大學學報(自然科學版). 2019(01)
[10]時態(tài)神經網絡模型及其在股票分類預測上應用[J]. 邱一豪,孟志青.  計算機工程與應用. 2019(15)

碩士論文
[1]深度森林在股指漲跌預測和投資策略中的應用[D]. 許美瑩.山東大學 2019
[2]基于XGBoost的基本面量化模型[D]. 李楊.山東大學 2019
[3]NARX動態(tài)神經網絡的擇時策略研究[D]. 陳婷.上海師范大學 2019
[4]基于LightGBM算法的量化選股策略方案策劃[D]. 姜加才.上海師范大學 2019
[5]高頻交易下股票技術分析的策略優(yōu)化[D]. 劉忠仁.上海師范大學 2019
[6]基于神經網絡方法的A股市場多因子選股策略研究[D]. 吳玉海.電子科技大學 2018
[7]面向A股的基本面量化交易策略的設計[D]. 陳子寧.電子科技大學 2018
[8]基于Bagging算法優(yōu)化MLP神經網絡量化選股[D]. 范振宇.上海師范大學 2018
[9]基于AdaBoost算法的Alpha組合研究[D]. 龔利琴.鄭州大學 2018
[10]多因子選股模型在A股市場上的實證研究[D]. 蘇靖宇.安徽大學 2018



本文編號：3259360