【摘要】：證券價格受極其復(fù)雜因素影響,一般對證券價格趨勢分析時,需要市場走勢、行業(yè)走勢和個股走勢多階段、多形態(tài)分析判斷,由此可認(rèn)為條件隨機場理論適合解決此類金融問題。而條件隨機場的隱馬爾可夫模型(HMM)在描述該過程的動態(tài)變化方面相對其他模式識別工具具備明顯的優(yōu)勢,故采用HMM模型來研究解決股票投資中的選股問題。論文首先將指數(shù)成份股周收益率為正的股票命名為“上漲”類股票,其它的就命名為“下跌”類股票。接著選取了(收盤價-開盤價)/開盤價、(最高價-開盤價)/開盤價、(開盤價-最低價)/開盤價、每日換手率、(收盤價-昨日收盤價)/昨日收盤價和流通市值六個觀測指標(biāo),使用前十日的觀測時間序列,對“上漲”和“下跌”類股票時間序列分別進行了HMM模型的訓(xùn)練,得到“上漲”HMM_1模型和“下跌”HMM_2模型。再用訓(xùn)練出的HMM_1模型和HMM_2模型計算股票新觀測時間序列似然值,即股票的“上漲”選股因子值y_1和“下跌”選股因子值y_2,綜合設(shè)計出“上漲”條件選股因子值y。為檢驗選股因子的有效性,論文測試和比較了多個“選股因子”的信息系數(shù)(IC),選取IC顯著的“選股因子”作為最終的選股指標(biāo),按此“選股因子”值排名靠前的股票為投資組合,并應(yīng)用在市場中性和行業(yè)中性量化對沖策略設(shè)計中。最后,為進一步改進投資策略,論文引進了“熵”來度量行業(yè)“上漲”和“下跌”的一致性熱度,最終構(gòu)建了基于行業(yè)熵配資的量化對沖行業(yè)偏中性策略。論文對2016年1月1日至2018年8月30日的時間序列數(shù)據(jù)進行了實證分析。首先采集了滬深300指數(shù)成份股55日股票觀測數(shù)據(jù)(10組十日六個特征值時間序列觀測數(shù)據(jù)和匹配的周收益率數(shù)據(jù)樣本)訓(xùn)練HMM模型,對“選股因子”的IC序列均值進行統(tǒng)計檢驗,結(jié)果顯示“上漲”條件選股因子IC均值顯著,再以此因子值選取在行業(yè)排靠前的股票為投資組合設(shè)計成行業(yè)中性量化對沖投資策略,以滾動式推進模式模擬了歷史投資效果,取得可觀的收益效果。為提升投資收益,建立了基于行業(yè)熵配資的行業(yè)偏中性量化對沖投資策略,經(jīng)過歷史的測試在原策略基礎(chǔ)上取得更好的年化收益率以及更高的夏普比,充分說明運用HMM模型建立的基于行業(yè)熵配資的量化對沖策略在理論研究中有探索價值,且在金融投資實踐中具有指導(dǎo)價值。
【圖文】：

華南理工大學(xué)碩士學(xué)位論文 1, 00, 0xxx i 為 ,,iSSiij Sj Iiiij Sj Imin d Imax d I 為ix 與密度大于i 的點的最小距離。結(jié)果基于密度峰值加k mea法過程如圖 2-2：

第三章 HMM 建模過程及投資策略設(shè)計這是模型待確定的一個超參數(shù)。在設(shè)計策略建立模型時，在 t 交易日，我們的目標(biāo)是預(yù)測每個成份股在 t+5 交易日相對于當(dāng)前股價的漲跌情況，由于調(diào)倉周期為 5 個交易日，，我們根據(jù)模型訓(xùn)練的折中預(yù)測性假設(shè)觀測序列長度取 10，測試集內(nèi)每個個股的觀測序列為 t 9 ~t交易日共 10 天的觀測值，每一天共有 6 個特征即 6個觀測值。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：F830.91;F224

【參考文獻】

相關(guān)期刊論文 前4條

1 郭松濤,孫強,焦李成;基于改進小波域隱馬爾可夫模型的遙感圖像分割[J];電子與信息學(xué)報;2005年02期

2 郭平,盧漢清;貝葉斯概率圖像自動分割研究[J];光學(xué)學(xué)報;2002年12期

3 郭平;;貝葉斯概率圖像分割中混合模型參數(shù)高效計算的研究[J];計算機科學(xué);2002年08期

4 郭慶,吳文虎,方棣棠;隱馬爾可夫模型中一種新的幀相關(guān)建模方法[J];軟件學(xué)報;1999年06期

相關(guān)博士學(xué)位論文 前1條

1 林亞忠;基于Gibbs隨機場模型的醫(yī)學(xué)圖像分割新算法研究[D];第一軍醫(yī)大學(xué);2004年

本文編號：2588346