隨著上海證券交易所科創(chuàng)板和注冊制的施行,我國資本市場制度會更加完善,發(fā)展必然更快。然而普通投資者面對的投資環(huán)境更加復雜,主要表現(xiàn)在我國經(jīng)濟發(fā)展進入新常態(tài),增速放慢,房地產(chǎn)畸形發(fā)展帶來金融風險增大,貿(mào)易戰(zhàn)帶來不確定因素增加。傳統(tǒng)的投資組合工具越來越不適用。研究能適應中國市場新環(huán)境的新理論和新工具已經(jīng)迫在眉睫。本文將深度學習的方法應用于選股,構造能夠跑贏大盤的投資組合。方法的要點在于通過自編碼器對股票池的價格信息進行降維處理,利用具有期權特征的人工神經(jīng)網(wǎng)絡激活函數(shù)對應于期貨投資的特點,依據(jù)學習網(wǎng)絡獲得訓練誤差和測試誤差的集合,構建出可以追蹤指定輸出序列的投資組合。選取滬深300指數(shù)為例,將輸出端分別設置為滬深300指數(shù)和日收益率高于滬深300指數(shù)0.05%的虛擬指數(shù),通過算法將258只穩(wěn)定的成分股降維后構造相應的投資組合,并將2013年到2018年間的數(shù)據(jù)均勻地分成3個2年的區(qū)間,分別稱為訓練集,驗證集和測試集。另外,利用最小追蹤誤差法和2013年至2016年的數(shù)據(jù)構建對比用的傳統(tǒng)投資組合。測試結果表明在長期投資的情景下,在2017年至2018年的每個月,構造的深度投資組合可以大幅度擊敗滬... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【部分圖文】：

研究路線圖

L2范數(shù)差，如圖4-1所示。圖4-1 600033.SH編碼前后股價序列分別將 L2范數(shù)差最小和最大的個股——600033.SH與000661.SZ——的原版- 32 -

哈爾濱工業(yè)大學經(jīng)濟學碩士學位論文和編碼版作圖，如圖4-2和圖4-3。圖4-2 600033.SH編碼前后股價序列圖4-3 000661.SZ編碼前后股價序列可以發(fā)現(xiàn)，無論是公共信息最多的600033.SH，還是范數(shù)差最大的000661.SZ，其編碼版本在形狀上都有一定的扭曲，并且前者的扭曲看似更大，但是前者的縱軸如果和后者在同一尺度上，便顯得其編碼版本與原版曲線幾乎重合，如圖4-4.在下文中，我們分別取 X = 45,105,165 具體展示后續(xù)每一個步驟在決策系統(tǒng)中的具體表現(xiàn)。需要注意的是，這僅僅是三個用作展示的樣本，并不代表決策將在 X = 45,105,165 僅僅三個取值范圍內(nèi)做出。4.3追蹤滬深300指數(shù)4.3.1調(diào)整在調(diào)整步驟中

【參考文獻】：
期刊論文
[1]深度學習的金融實證應用:動態(tài)、貢獻與展望[J]. 蘇治,盧曼,李德軒.  金融研究. 2017(05)
[2]基于高斯核支持向量機和遺傳算法的優(yōu)化組合研究[J]. 馬靜,李星野,徐榮.  經(jīng)濟數(shù)學. 2017(01)
[3]基于DBN的金融時序數(shù)據(jù)建模與決策[J]. 曾志平,蕭海東,張新鵬.  計算機技術與發(fā)展. 2017(04)
[4]基于灰色神經(jīng)網(wǎng)絡的股票收益率預測[J]. 曹雷欣,孫紅兵.  計算機與數(shù)字工程. 2017(01)
[5]短期利率波動測度與預測:基于混頻宏觀-短期利率模型[J]. 尚玉皇,鄭挺國.  金融研究. 2016(11)
[6]基于在線核極限學習機的股票價格預測模型[J]. 陳海英,劉洋.  內(nèi)蒙古師范大學學報(自然科學漢文版). 2015(02)
[7]基于PSO的神經(jīng)網(wǎng)絡優(yōu)化證券投資組合方法研究[J]. 黃招娣,應宛月,余立琴,肖祥闊,羅佳.  華東交通大學學報. 2013(02)
[8]股票價格短期預測的LM遺傳神經(jīng)網(wǎng)絡算法[J]. 肖菁,潘中亮.  計算機應用. 2012(S1)
[9]基于ARIMA-SVM組合模型的股票價格預測[J]. 程昌品,陳強,姜永生.  計算機仿真. 2012(06)
[10]基于結構修剪神經(jīng)網(wǎng)絡的股票指數(shù)預測模型[J]. 孫彬,李鐵克,張文學.  計算機應用研究. 2011(08)

博士論文
[1]基于隱馬爾可夫模型和計算智能的股票價格時間序列預測[D]. 李嵩松.哈爾濱工業(yè)大學 2011

碩士論文
[1]基于LM-BP神經(jīng)網(wǎng)絡股票預測研究[D]. 韓莉.東北農(nóng)業(yè)大學 2016
[2]基于模糊深度學習網(wǎng)絡算法的短期股價預測[D]. 劉慶玲.哈爾濱工業(yè)大學 2016
[3]基于小波變換—機器學習算法的有效投資組合構建[D]. 劉俊鋒.西南財經(jīng)大學 2016
[4]一種用于求解二次雙層規(guī)劃問題和雙層證券投資組合優(yōu)化模型的基于神經(jīng)網(wǎng)絡的混合算法[D]. 李鏡儒.電子科技大學 2015



本文編號：3419179