發(fā)布時間：2020-05-28 18:18

【摘要】：近年來,量化投資在我國迅速發(fā)展,已經(jīng)成為一種極具潛力的交易手段。然而,隨著時間的推移,傳統(tǒng)量化投資方法正面臨股票因子匱乏、模型種類單一、模型復雜非線性建模能力不足的挑戰(zhàn)。因此,本文提出基于深度學習的股票Alpha量化模型,并在上證50指數(shù)成份股上進行實驗。傳統(tǒng)量化策略中,股票有效因子的挖掘和選取至關重要。傳統(tǒng)的因子挖掘方法主要依靠人工暴力開發(fā),耗時耗力,且效率低下。本文提出自編碼器股票Alpha因子挖掘模型,通過組合稀疏自編碼器和除噪自編碼器,構(gòu)造混合自編碼器和多層棧式自編碼器,獲得股票的深度特征表示,以達到機器自動挖掘股票因子的目的。實驗結(jié)果表明,自編碼器股票Alpha因子挖掘模型能夠降低股票原始數(shù)據(jù)和特征中的噪聲,精煉有效信息,得到更加有效的因子特征表示。該模型能夠在一定程度上取代人工暴力開發(fā)因子的方式。傳統(tǒng)的量化預測模型,主要通過統(tǒng)計分析,選擇高勝率的投資路徑。且傳統(tǒng)預測方法往往對股票或指數(shù)單品種收益率進行直接預測,預測難度大、精度低。另外,基于統(tǒng)計分析的方法在股票時間序列數(shù)據(jù)面前缺乏足夠的非線性表現(xiàn)力。本文提出一種新穎的基于受控成本LSTM股票Alpha預測模型,對股票指數(shù)中所有成份股組成的收益率向量做出預測,由此得到所有成份股最佳的資金權(quán)重配比。通過主動構(gòu)建投資組合,獲取與市場總體無關的Alpha收益。實驗結(jié)果表明,基于受控成本LSTM股票Alpha預測模型能夠在控制交易頻率的同時,獲得更加穩(wěn)定的超額收益。該模型能夠為Alpha對沖策略的實施奠定良好的基礎。
【圖文】：

現(xiàn)通過股指期貨對沖的Ａｌｐｈａ策略提供了可能性。逡逑１．４研究思路逡逑如圖１－２所示為本文的研宄思路框架圖，自底向上分為數(shù)據(jù)層、特征層、模逡逑型層和策略層。逡逑策略層邐回歸分析邐回測分析逡逑邐邐邐邋｜邐邐邐逡逑模型層邐ＬＳＴＭ邐ＲＮＮ逡逑特征層邐｜技術指標邐Ａｌｐｈａ因子邐自編碼因子逡逑數(shù)據(jù)層邐｜數(shù)據(jù)復權(quán)邐異常值處理邐缺失值處理逡逑———邋邋邐＇邋＂邋邋—邋－？逡逑邐邐邋邐邐一一逡逑姦一逡逑邐邐邐邋邐邐Ｊ逡逑圖１－２研宄思路框架圖逡逑數(shù)據(jù)層主要在獲取高頻數(shù)據(jù)后，對其完成預處理工作，包括價格復權(quán)、異常逡逑值和缺失值處理等，使數(shù)據(jù)序列可用。該部分主要在本文第三章第一節(jié)中介紹。逡逑特征層在原始數(shù)據(jù)的基礎上進行一系列的特征工程，，生成各類特征，包括傳逡逑統(tǒng)技術指標和一些Ａｌｐｈａ因子，以及用自編碼因子挖掘模型產(chǎn)生的各種自編碼特逡逑征。另外還包括這些特征因子的有效性檢驗過程。該部分主要在本文第三章第二、逡逑三節(jié)以及第四、五章中介紹。逡逑模型層基于特征層產(chǎn)生的特征，利用循環(huán)yL經(jīng)網(wǎng)絡等預測模型對股票收益率逡逑８逡逑

第三章特征工程逡逑第二種方法為如圖３－邋２所示的均值填充法，即以該屬性值在所有股票樣本上的逡逑均值作為缺失值的填充值，圖中股票１缺失值應填充為公式（３－７）所示均值，逡逑其中？為股票ｉ在時刻／的屬性值，ｍ為股票數(shù)量，ｎ為時間長度。值得注意的是，逡逑只有當股票沒有可填充的歷史數(shù)據(jù)時，才使用均值填充法。逡逑士ｊｒＵｉ．ｊｉｋｊ邋羊ＮａＮ）邐（公式邋３－７）逡逑使用均值作為填充值，可以讓被填充的屬性具有中性效果，在沒有足夠信息逡逑的情況下，使得該股票樣本盡量接近市場平均中性水平。該方法的缺點則是填充逡逑后的序列連續(xù)性遭到破壞，可能會造成股票屬性在時間序列上出現(xiàn)突變。逡逑本文研宄針對的是股票分鐘級高頻數(shù)據(jù)，且研宄對象是股票成份股，這些股逡逑票作為入選股票指數(shù)的成份股
【學位授予單位】：廈門大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：F832.51;F224

【參考文獻】

相關期刊論文 前5條

1 楊喻欽;;基于Alpha策略的量化投資研究[J];中國市場;2015年25期

2 張棟凱;齊佳音;;基于微博的企業(yè)突發(fā)危機事件網(wǎng)絡輿情的股價沖擊效應[J];情報雜志;2015年03期

3 饒育蕾;鮑瑋;彭疊峰;;滬深300成分股調(diào)整與股票收益的同步性研究[J];中南大學學報(社會科學版);2015年01期

4 朱健;;網(wǎng)絡輿情與上市公司股價的相關性研究[J];稅收經(jīng)濟研究;2015年01期

5 陳浪南;熊偉;;公司特質(zhì)波動決定因素研究——信息效率還是噪音交易?[J];中國會計評論;2014年01期

相關博士學位論文 前1條

1 張承釗;一種金融市場預測的深度學習模型：FEPA模型[D];電子科技大學;2016年

相關碩士學位論文 前5條

1 劉紫雄;支持向量機擇時的Alpha套利研究[D];首都經(jīng)濟貿(mào)易大學;2017年

2 宮明璐;基于微信的網(wǎng)絡輿情對股價變動影響分析[D];山東師范大學;2017年

3 郝知遠;基于數(shù)據(jù)挖掘方法的股票預測系統(tǒng)[D];南京理工大學;2017年

4 劉康;基于因果發(fā)現(xiàn)的股票分析因子選擇及概念漂移挖掘[D];廣東外語外貿(mào)大學;2016年

5 章宏帆;運用量化投資策略實現(xiàn)超額收益Alpha的理論與實踐[D];浙江大學;2015年

本文編號：2685634