發(fā)布時(shí)間：2022-04-23 13:02

　　人工智能技術(shù)的進(jìn)步重構(gòu)了人們對數(shù)據(jù)的認(rèn)知,人工智能分支之一的機(jī)器學(xué)習(xí)逐漸進(jìn)入金融領(lǐng)域。機(jī)器學(xué)習(xí)算法紛繁復(fù)雜,不同算法在不同應(yīng)用場景下表現(xiàn)各異。作為機(jī)器學(xué)習(xí)算法中的一種,卷積神經(jīng)網(wǎng)絡(luò)以其獨(dú)特且有效的特征提取方式聞名,但在金融領(lǐng)域,特別是量化交易領(lǐng)域的應(yīng)用研究甚少。如何將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到量化交易領(lǐng)域,且尋找其適用的場景成為本文研究的主要問題。本文首先結(jié)合機(jī)器學(xué)習(xí)和量化投資的發(fā)展歷程提出研究問題,歸納研究意義,簡述研究方法。接著,從機(jī)器學(xué)習(xí)、量化投資、機(jī)器學(xué)習(xí)與量化投資三個(gè)方面梳理發(fā)展歷程,歸納并對比國內(nèi)外研究狀況,總結(jié)現(xiàn)有研究中的關(guān)鍵點(diǎn)與不足點(diǎn)。然后,對兩個(gè)主要問題展開研究。本文研究的第一個(gè)問題是在明確結(jié)構(gòu)設(shè)計(jì)的同時(shí),卷積神經(jīng)網(wǎng)絡(luò)在“回歸”與“分類”任務(wù)方面的表現(xiàn)。在該研究中,文章采用上證綜指數(shù)據(jù),通過將卷積神經(jīng)網(wǎng)絡(luò)與應(yīng)用廣泛的BP神經(jīng)網(wǎng)絡(luò)的回歸結(jié)果對比,將卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)、隨機(jī)森林的分類結(jié)果對比,分析將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在量化投資中的可行性。本文研究的第二個(gè)問題是基于卷積神經(jīng)網(wǎng)絡(luò)的行業(yè)分層選股策略。在該研究中,文章采用中國A股市場股票數(shù)據(jù),經(jīng)過數(shù)據(jù)預(yù)處理,首先根據(jù)行業(yè)月度收益率利... 

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 選題背景及研究問題
        1.1.1 選題背景
        1.1.2 研究問題與研究方法
    1.2 論文框架
    1.3 創(chuàng)新點(diǎn)
第二章 相關(guān)理論與研究綜述
    2.1 機(jī)器學(xué)習(xí)概述
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.2 支持向量機(jī)
        2.1.3 隨機(jī)森林
        2.1.4 BP神經(jīng)網(wǎng)絡(luò)
        2.1.5 聚類分析
        2.1.6 主成分分析法
        2.1.7 超參數(shù)選擇
    2.2 量化投資與多因子模型
        2.2.1 多因子模型
        2.2.2 量化投資與多因子模型相關(guān)研究
    2.3 量化投資與機(jī)器學(xué)習(xí)
    2.4 本章小結(jié)
第三章 基于卷積神經(jīng)網(wǎng)絡(luò)的分類與回歸
    3.1 引言
    3.2 數(shù)據(jù)預(yù)處理
    3.3 回歸預(yù)測
        3.3.1 BP神經(jīng)網(wǎng)絡(luò)
        3.3.2 卷積神經(jīng)網(wǎng)絡(luò)
    3.4 分類預(yù)測
        3.4.1 支持向量機(jī)
        3.4.2 隨機(jī)森林
        3.4.3 卷積神經(jīng)網(wǎng)絡(luò)
    3.5 本章小結(jié)
第四章 交易策略數(shù)據(jù)處理及模型訓(xùn)練
    4.1 引言
    4.2 數(shù)據(jù)收集與處理
        4.2.1 樣本篩選
        4.2.2 數(shù)據(jù)預(yù)處理
    4.3 行業(yè)分層
    4.4 因子選取及模型訓(xùn)練
        4.4.1 因子有效性分析
        4.4.2 大金融行業(yè)
        4.4.3 成長行業(yè)
        4.4.4 消費(fèi)行業(yè)
        4.4.5 周期行業(yè)
    4.5 本章小結(jié)
第五章 交易策略設(shè)計(jì)與回測
    5.1 引言
    5.2 大金融行業(yè)
    5.3 成長行業(yè)
    5.4 消費(fèi)行業(yè)
    5.5 周期行業(yè)
    5.6 機(jī)器學(xué)習(xí)復(fù)合選股模型
        5.6.1 模型集成
        5.6.2 卷積神經(jīng)網(wǎng)絡(luò)模型集成
    5.7 穩(wěn)健性檢驗(yàn)
    5.8 本章小結(jié)
第六章 總結(jié)
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的股票市場擇時(shí)模型——以上證綜指為例[J]. 胡悅.  金融經(jīng)濟(jì). 2018(04)
[2]基于LASSO和神經(jīng)網(wǎng)絡(luò)的量化交易智能系統(tǒng)構(gòu)建——以滬深300股指期貨為例[J]. 王宣承.  投資研究. 2014(09)

博士論文
[1]量化投資模型適應(yīng)性研究[D]. 梁超.中央財(cái)經(jīng)大學(xué) 2016

碩士論文
[1]A股市場多因子選股量化模型構(gòu)建及其檢驗(yàn)[D]. 費(fèi)洋.浙江大學(xué) 2018
[2]通過神經(jīng)網(wǎng)絡(luò)對股票的趨勢進(jìn)行分析與分類[D]. 鄭重.重慶大學(xué) 2017
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的股票交易反轉(zhuǎn)點(diǎn)與異常點(diǎn)檢測[D]. 藺曉.華中科技大學(xué) 2016
[4]因子選股模型在中國市場的實(shí)證研究[D]. 劉毅.復(fù)旦大學(xué) 2012



本文編號：3647229