量化投資具體理論的提出距今已經(jīng)近七十年的歷史,量化投資的策略也經(jīng)歷一系列的演變。如今隨著高性能計(jì)算機(jī)的普及,人工智能開(kāi)始在各個(gè)領(lǐng)域施展自己的威力。其中最近幾年機(jī)器學(xué)習(xí)領(lǐng)域在深度神經(jīng)網(wǎng)絡(luò)方面也取得了重大技術(shù)性突破并應(yīng)用到了量化投資領(lǐng)域之中。在量化投資領(lǐng)域中,對(duì)于深度學(xué)習(xí)模型應(yīng)用的探究也是循序漸進(jìn)的。從傳統(tǒng)神經(jīng)模型（ANN）到傳統(tǒng)循環(huán)神經(jīng)模型（RNN）再到長(zhǎng)短期記憶網(wǎng)絡(luò)模型（LSTM）的過(guò)程中,理論模型分別解決了引入時(shí)間序列、長(zhǎng)時(shí)間記憶訓(xùn)練以及緩解梯度爆炸等多種問(wèn)題。本文就是基于LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)選取的因子進(jìn)行訓(xùn)練和合成,并用合成后的因子進(jìn)行量化投資。在研究方法方面,本文借鑒了因子選股模型的理論,通過(guò)選取估值因子、成長(zhǎng)性因子、財(cái)務(wù)質(zhì)量因子等不同大類因子70個(gè),來(lái)進(jìn)行因子的訓(xùn)練和合成。在因子處理方面,本文使用了縮尾處理、中性化以及標(biāo)準(zhǔn)化剔除異常數(shù)據(jù),保證了數(shù)據(jù)的平穩(wěn)性。在模型結(jié)果分析上采用了正確率變化、AUC變化和損失率變化驗(yàn)證模型的實(shí)用性,證實(shí)了模型具有一定的區(qū)分度。在創(chuàng)新性上,由于神經(jīng)網(wǎng)絡(luò)模型固有的“黑箱子”屬性,使得其在模型的可解釋性上一直受詬病。本文在優(yōu)礦平臺(tái)的環(huán)境下,使用Pyt... 

【文章來(lái)源】：遼寧大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖0-1技術(shù)路線圖

圖 1-2 RNN 循環(huán)展開(kāi)圖圖 1-2 所示就是將統(tǒng)一神經(jīng)元 A 按照時(shí)間[0,t]進(jìn)行展開(kāi)，鏈?zhǔn)浇Y(jié)構(gòu)的特征揭示了 RNN 本質(zhì)上是與序列和列表相關(guān)的。在這個(gè)過(guò)程中我們可以看成是不同時(shí)間點(diǎn)下，整個(gè)神經(jīng)元的運(yùn)作情況。在 0 時(shí)刻輸入變量 在神經(jīng)元中進(jìn)行處理并輸入為 。這個(gè)過(guò)程并沒(méi)有結(jié)束，整個(gè)過(guò)程進(jìn)入到 1 時(shí)刻。因此在 1 時(shí)刻中，影響輸出結(jié)果的不僅僅有輸入變量 ，還包括前一時(shí)刻的結(jié)果。這樣使得 RNN 具有以時(shí)間展開(kāi)的特性，并適合金融領(lǐng)域中對(duì)于時(shí)間序列數(shù)據(jù)處理的要求。我們將這個(gè)過(guò)程放在更復(fù)雜一些的情況中進(jìn)行考慮，如圖 1-3 所示。

RNN包含循環(huán)

【參考文獻(xiàn)】：
期刊論文
[1]基于分位數(shù)回歸的多因子選股策略研究[J]. 周亮.  西南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[2]多因子量化選股模型與擇時(shí)策略[J]. 王春麗,劉光,王齊.  東北財(cái)經(jīng)大學(xué)學(xué)報(bào). 2018(05)
[3]基于LSTM神經(jīng)網(wǎng)絡(luò)的黑色金屬期貨套利策略模型[J]. 龍奧明,畢秀春,張曙光.  中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào). 2018(02)
[4]基于多因子模型的量化選股分析[J]. 徐景昭.  金融理論探索. 2017(03)
[5]基于DBN的金融時(shí)序數(shù)據(jù)建模與決策[J]. 曾志平,蕭海東,張新鵬.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(04)
[6]影響股票收益的基本面因子略探——基于中小板上市公司的實(shí)證分析[J]. 周亮.  金融理論與實(shí)踐. 2017(02)
[7]美國(guó)擴(kuò)張性貨幣政策對(duì)中國(guó)通脹的影響——基于深度長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的分析[J]. 金雪軍,曹贏.  上海金融. 2016(03)
[8]基于多尺度組合模型的銅價(jià)預(yù)測(cè)研究[J]. 王書(shū)平,胡愛(ài)梅,吳振信.  中國(guó)管理科學(xué). 2014(08)
[9]基于相空間重構(gòu)理論與遞歸神經(jīng)網(wǎng)絡(luò)相結(jié)合的股票短期預(yù)測(cè)方法[J]. 馬千里,鄭啟倫,彭宏,鐘譚衛(wèi).  計(jì)算機(jī)應(yīng)用研究. 2007(04)
[10]基于小波神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)報(bào)方法及應(yīng)用[J]. 呂淑萍,趙詠梅.  哈爾濱工程大學(xué)學(xué)報(bào). 2004(02)

碩士論文
[1]A股市場(chǎng)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]基于LSTM深度神經(jīng)網(wǎng)絡(luò)的股市時(shí)間序列預(yù)測(cè)精度的影響因素研究[D]. 毛景慧.暨南大學(xué) 2017
[3]基于回歸法的多因子選股模型的投資組合分析[D]. 司曉彤.青島大學(xué) 2017
[4]我國(guó)A股市場(chǎng)多因子量化選股模型實(shí)證分析[D]. 朱晨曦.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2017
[5]PCA和隨機(jī)森林在BARRA量化對(duì)沖模型中的應(yīng)用研究[D]. 史衛(wèi)峰.西安科技大學(xué) 2017
[6]基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價(jià)格趨勢(shì)預(yù)測(cè)模型的研究[D]. 孫瑞奇.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2016



本文編號(hào)：2962982