發(fā)布時間：2023-07-26 19:53

　　智能量化投資是我國金融業(yè)高質(zhì)量發(fā)展的重要組成部分,是金融科技發(fā)展的必然趨勢。近些年,以神經(jīng)網(wǎng)絡(luò)為代表的機器學習方法廣泛應(yīng)用于量化投資,然而深度神經(jīng)網(wǎng)絡(luò)難以訓練,效果不穩(wěn)定,可解釋性較差,且與圖像識別等領(lǐng)域相比,金融數(shù)據(jù)信噪比低,噪聲大,導致單一神經(jīng)網(wǎng)絡(luò)在因子投資中并未取得預(yù)期效果。有鑒于此,本文構(gòu)建了一個基于淺層神經(jīng)網(wǎng)絡(luò)、融合無監(jiān)督學習的非線性資產(chǎn)定價模型,并對包含前饋神經(jīng)網(wǎng)絡(luò)在內(nèi)的五種模型,從統(tǒng)計績效與投資績效兩方面進行比較性分析,最后,引入可解釋機器學習中兩種與模型無關(guān)的可解釋性方法對模型的可解釋性進行初步探索。本文收集了2008年10月至2018年9月A股市場醫(yī)藥制造行業(yè)的96個異象因子,并以此為樣本構(gòu)建異象因子集合進行實證分析,統(tǒng)計績效實證結(jié)果表明:在股票橫截面預(yù)測和滬深300醫(yī)藥指數(shù)組合預(yù)測中,所有的模型均能實現(xiàn)良好的預(yù)測效果,無監(jiān)督學習對異象因子集合的特征學習能夠有效改善單一前饋神經(jīng)網(wǎng)絡(luò)模型的效果,且非線性無監(jiān)督學習(KPCA和AE)的特征學習效果顯著優(yōu)于線性無監(jiān)督特征學習(PCA),說明了特征學習在機器學習應(yīng)用于實證金融領(lǐng)域的必要性,且非線性無監(jiān)督學習具有一定的優(yōu)勢。投資...

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 文獻綜述
        1.2.1 異象因子的有效性研究
        1.2.2 機器學習模型有效性研究
        1.2.3 文獻評述
    1.3 研究內(nèi)容及創(chuàng)新點
        1.3.1 研究內(nèi)容
        1.3.2 研究創(chuàng)新點
第二章 相關(guān)理論介紹
    2.1 前饋神經(jīng)網(wǎng)絡(luò)
    2.2 主成分分析
    2.3 核主成分分析
    2.4 譜聚類
    2.5 自編碼器
第三章 模型構(gòu)建與研究設(shè)計
    3.1 非線性資產(chǎn)定價模型
    3.2 研究設(shè)計
第四章 實證研究
    4.1 數(shù)據(jù)來源
    4.2 統(tǒng)計績效評估
        4.2.1 個股預(yù)測
        4.2.2 模型比較
        4.2.3 組合預(yù)測
    4.3 投資績效評估
    4.4 探索非線性資產(chǎn)定價模型的可解釋性
        4.4.1 因子重要性測度
        4.4.2 黑盒模型的可視化
第五章 總結(jié)與展望
    5.1 研究結(jié)論
    5.2 研究展望
參考文獻
附錄 A
攻讀學位期間獲得的科研成果
致謝



本文編號：3837451