近年來(lái),人工智能AI發(fā)展之勢(shì)迅猛,人工智能機(jī)器人AlphaGO對(duì)戰(zhàn)人類(lèi)大獲全勝,“智能+”首次寫(xiě)入2019年國(guó)務(wù)院政府工作報(bào)告,種種跡象無(wú)不說(shuō)明人工智能在我們生活中扮演著日益重要的角色。量化投資為金融領(lǐng)域的一個(gè)龐大分支,其中,多因子選股是一項(xiàng)較為成熟的選股技術(shù)。因此,本文將深度學(xué)習(xí)應(yīng)用于多因子選股,構(gòu)建了基于LSTM神經(jīng)網(wǎng)絡(luò)算法的多因子選股模型。通過(guò)與SVM算法對(duì)比,發(fā)現(xiàn)LSTM神經(jīng)網(wǎng)絡(luò)算法比SVM算法更適用股票這類(lèi)時(shí)間序列數(shù)據(jù),并將LSTM預(yù)測(cè)出來(lái)的股票進(jìn)行回測(cè)發(fā)現(xiàn)其能夠獲得超過(guò)比較基準(zhǔn)的收益率。本文選取2012年1月至2018年12月的每一周最后一個(gè)交易日的動(dòng)態(tài)滬深300成分股的因子截面數(shù)據(jù)作為數(shù)據(jù)樣本,其中2012年1月到2017年12月的數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù),2018年1月至2018年12月作為模型的測(cè)試數(shù)據(jù)。在選取候選因子方面,分別選取質(zhì)量、動(dòng)量、價(jià)值、常用技術(shù)指標(biāo)、每股指標(biāo)、情緒、成長(zhǎng)、分析師預(yù)期、基礎(chǔ)科目與衍生和收益與風(fēng)險(xiǎn)等十類(lèi)因子,合計(jì)因子244個(gè),這在廣度和深度上均擴(kuò)大了候選因子的選取范圍。本文模型的構(gòu)建主要分為以下幾個(gè)步驟:首先,對(duì)原始數(shù)據(jù)依次進(jìn)行數(shù)據(jù)預(yù)...

【文章頁(yè)數(shù)】：44 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1RNN網(wǎng)絡(luò)架構(gòu)

圖2-1RNN網(wǎng)絡(luò)架構(gòu)圖2-1是一個(gè)全連接的只有一層隱藏層的RNN網(wǎng)絡(luò)，圖中錯(cuò)綜復(fù)雜，難以理解。為了方便理解，學(xué)者們將RNN遵從時(shí)間輸入的先后順序展開(kāi)，展開(kāi)后的結(jié)果如圖2-2所示。

圖2-2RNN網(wǎng)絡(luò)結(jié)構(gòu)展開(kāi)圖

11圖2-2RNN網(wǎng)絡(luò)結(jié)構(gòu)展開(kāi)圖從圖2-2RNN網(wǎng)絡(luò)結(jié)構(gòu)展開(kāi)圖可知，RNN存在三層結(jié)構(gòu)，即輸入層x、隱藏層s和輸出層o。U、W、V均代表權(quán)重，依次表示輸入層到隱藏層的權(quán)重、前一個(gè)時(shí)刻隱藏層節(jié)點(diǎn)到后一個(gè)時(shí)刻隱藏層節(jié)點(diǎn)的權(quán)重和隱藏層到輸出層的權(quán)重。在任一時(shí)刻下，....

圖2-3LSTM網(wǎng)絡(luò)結(jié)構(gòu)cell圖

NN的信息傳播過(guò)程中沒(méi)有過(guò)濾和篩選，以至于隨著層數(shù)或距離面的信息很難傳播到較遠(yuǎn)的地方，出現(xiàn)梯度消失的問(wèn)題。M是SeppHochreiter和JurgenSchmidhuber為了解決RNN梯。LSTM之所以能解決RNN的梯度消失問(wèn)題是因?yàn)樗黾尤齨put....

圖3-1離群點(diǎn)處理結(jié)果

數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)變換、數(shù)據(jù)規(guī)約等。數(shù)據(jù)清理是通過(guò)填充缺失值，噪聲，識(shí)別離群點(diǎn)，糾正數(shù)據(jù)中的不一致性等步驟來(lái)處理臟數(shù)據(jù)，綜上本研用數(shù)據(jù)清理這一方法處理數(shù)據(jù)。（1）離群點(diǎn)處理離群點(diǎn)是指一堆數(shù)據(jù)點(diǎn)在時(shí)間或者空間上，遠(yuǎn)離序列的普遍正常水平的那些值點(diǎn)（包括極大值和極小值）。異常值的....

本文編號(hào)：3954814