發(fā)布時(shí)間：2018-05-16 04:03

  本文選題：量化投資 + 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)��； 參考：《復(fù)旦大學(xué)》2014年碩士論文

【摘要】：隨著金融學(xué)理論和計(jì)算機(jī)技術(shù)的發(fā)展,基于數(shù)據(jù)和規(guī)則的量化投資策略在中國(guó)已逐漸興起,量化模型成為了預(yù)測(cè)市場(chǎng)和指導(dǎo)投資的有力工具。然而證券市場(chǎng)是一個(gè)復(fù)雜的非線性動(dòng)力系統(tǒng),利用傳統(tǒng)的時(shí)間序列預(yù)測(cè)技術(shù)存在很大的局限性,而近十幾年發(fā)展起來(lái)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)理論在對(duì)非線性系統(tǒng)的預(yù)測(cè)和建模中展現(xiàn)出了獨(dú)有的優(yōu)勢(shì)。本文引入了基于時(shí)間序列分析的NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型并研究將其應(yīng)用于中國(guó)股票指數(shù)的時(shí)間序列預(yù)測(cè),并將其同傳統(tǒng)的時(shí)間序列預(yù)測(cè)模型作比較。通過(guò)對(duì)中國(guó)股市滬深300指數(shù)數(shù)據(jù)所做的實(shí)證研究表明,動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)中國(guó)股市指數(shù)序列結(jié)果的準(zhǔn)確性優(yōu)于ARIMA-GARCH模型和靜態(tài)BP神經(jīng)網(wǎng)絡(luò)模型。在引入的NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的基礎(chǔ)上,創(chuàng)造性地將其應(yīng)用于股指序列的模式分類來(lái)判斷股價(jià)指數(shù)是否處于階段的“頂部”或“底部”,從而構(gòu)建了基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的量化擇時(shí)模型。實(shí)證結(jié)果表明,基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的模式分類準(zhǔn)確性優(yōu)于多元統(tǒng)計(jì)學(xué)的判別分析模型和基于普通靜態(tài)神經(jīng)網(wǎng)絡(luò)的模式識(shí)別模型。在構(gòu)建的該量化擇時(shí)模型的基礎(chǔ)上,進(jìn)一步以此模擬了基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的積極型投資組合。通過(guò)計(jì)算和比較一系列組合投資業(yè)績(jī)指標(biāo),結(jié)果表明各個(gè)業(yè)績(jī)衡量指標(biāo)結(jié)果均顯示基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型的投資組合優(yōu)于市場(chǎng)指數(shù)組合,從而能成功將其應(yīng)用于中國(guó)證券市場(chǎng)的量化投資。最后,本文通過(guò)研究行為金融的市場(chǎng)異�，F(xiàn)象與動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型有效性的相關(guān)關(guān)系,對(duì)其做統(tǒng)計(jì)檢驗(yàn),給出了動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型有效預(yù)測(cè)能力來(lái)源和成因的解釋。
[Abstract]:With the development of finance theory and computer technology, quantitative investment strategy based on data and rules has been rising gradually in China, and quantitative model has become a powerful tool to predict market and guide investment. However, the stock market is a complex nonlinear dynamic system, and the use of traditional time series prediction technology has great limitations. The neural network prediction theory developed in recent years has shown its unique advantages in the prediction and modeling of nonlinear systems. In this paper, the NARX dynamic neural network model based on time series analysis is introduced and applied to the time series prediction of Chinese stock index, and it is compared with the traditional time series prediction model. An empirical study on the CSI 300 index data of Chinese stock market shows that the dynamic neural network model is more accurate than the ARIMA-GARCH model and the static BP neural network model in predicting the results of the index series of the Chinese stock market. On the basis of the NARX dynamic neural network prediction model introduced, it is creatively applied to the model classification of stock index series to judge whether the stock price index is at the top or bottom of the stage. A quantitative timing model based on dynamic neural network is constructed. The empirical results show that the accuracy of pattern classification based on dynamic neural network is better than that of discriminant analysis model based on multivariate statistics and pattern recognition model based on general static neural network. On the basis of the quantitative timing model, the active portfolio based on dynamic neural network is simulated. By calculating and comparing a series of portfolio performance indicators, the results show that the portfolio based on dynamic neural network model is superior to the market index portfolio. Thus it can be successfully applied to the quantitative investment in China's securities market. Finally, by studying the correlation between the market anomaly of behavioral finance and the validity of dynamic neural network model, this paper makes a statistical test on it, and gives an explanation of the source and cause of effective prediction ability of dynamic neural network model.
【學(xué)位授予單位】：復(fù)旦大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP183;F832.51

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王崇;趙金樓;;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的消費(fèi)者購(gòu)買行為特征的挖掘[J];情報(bào)雜志;2011年11期

2 劉學(xué)廣,王登峰,常振臣,張建南,薛殿倫;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)方法在車內(nèi)噪聲參考信號(hào)拾取上的應(yīng)用[J];河北工業(yè)科技;2004年03期

3 韓衛(wèi)華,寧佐貴;時(shí)間序列預(yù)測(cè)的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)方法[J];微機(jī)發(fā)展;2004年09期

4 田松柏;張耀輝;郭金茂;陳悅峰;;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的裝備技術(shù)狀態(tài)預(yù)測(cè)模型[J];裝甲兵工程學(xué)院學(xué)報(bào);2007年01期

5 房毅憲;邢延健;李勝正;;時(shí)延動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[J];山東輕工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年01期

6 張敏;申曉寧;殷利平;;采用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的多模型自適應(yīng)重構(gòu)控制方法[J];計(jì)算機(jī)測(cè)量與控制;2012年05期

7 傅鸝，，裴小兵;一種指數(shù)型動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的定性分析[J];重慶大學(xué)學(xué)報(bào)(自然科學(xué)版);1996年06期

8 黃金泉,孫健國(guó);非線性系統(tǒng)的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)自適應(yīng)辨識(shí)[J];南京航空航天大學(xué)學(xué)報(bào);1999年03期

9 孫富春,孫增圻,慕春棣;采樣非線性系統(tǒng)的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)穩(wěn)定自適應(yīng)控制[J];自動(dòng)化學(xué)報(bào);2000年06期

10 諸勇,錢積新;基于魯棒穩(wěn)定高階動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)的辨識(shí)[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2001年01期

相關(guān)會(huì)議論文 前5條

1 黃西士;吳滄浦;;一種用于跟蹤控制的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)[A];1993中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1993年

2 諸勇;錢積新;;基于魯棒穩(wěn)定高階動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)的辨識(shí)[A];1998年中國(guó)控制會(huì)議論文集[C];1998年

3 項(xiàng)n\伍;;自適應(yīng)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)控制感應(yīng)電機(jī)系統(tǒng)[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2003年

4 郝悍勇;張宇;孫增圻;;一種基于UIO和動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的復(fù)合故障診斷方法[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

5 劉耀年;趙明宇;王震宇;;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷在線預(yù)測(cè)研究[A];中國(guó)高等學(xué)校電力系統(tǒng)及其自動(dòng)化專業(yè)第二十四屆學(xué)術(shù)年會(huì)論文集（中冊(cè)）[C];2008年

相關(guān)博士學(xué)位論文 前2條

1 麥歡歡;非線性的耦合系統(tǒng)一致性問(wèn)題研究[D];重慶大學(xué);2012年

2 范劍超;微粒群優(yōu)化算法與動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)建模預(yù)測(cè)研究[D];大連理工大學(xué);2012年

相關(guān)碩士學(xué)位論文 前9條

1 譚曉惠;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性研究及應(yīng)用[D];西南交通大學(xué);2002年

2 呂琪;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的交通事件檢測(cè)算法[D];浙江大學(xué);2003年

3 王穎;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的系統(tǒng)建模理論及優(yōu)化技術(shù)研究[D];東北石油大學(xué);2011年

4 趙晨;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在量化投資預(yù)測(cè)中的應(yīng)用[D];復(fù)旦大學(xué);2014年

5 張明;基于改進(jìn)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)模型的研究[D];內(nèi)蒙古大學(xué);2014年

6 鄭偉范;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的定性分析[D];西南交通大學(xué);2004年

7 尹嵩;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的支持向量機(jī)的FPGA實(shí)現(xiàn)[D];西安理工大學(xué);2009年

8 田玉松;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)與分?jǐn)?shù)階Fourier變換的研究及其應(yīng)用[D];大連理工大學(xué);2006年

9 楊航;電流型開(kāi)關(guān)電源的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)逆控制研究[D];華東理工大學(xué);2014年

本文編號(hào)：1895348