【摘要】：股票的價(jià)格受多種因子影響,找到并利用這些因子進(jìn)行股票選擇及投資策略制定,逐漸成為金融投資領(lǐng)域中的熱點(diǎn)問(wèn)題。但是從1990年創(chuàng)建以來(lái),我國(guó)A股市場(chǎng)已經(jīng)積累了海量的股票收益率數(shù)據(jù)及影響因子數(shù)據(jù),難以人為進(jìn)行選擇處理,因此需要借助深度學(xué)習(xí)模型分析海量因子數(shù)據(jù)信息,深度挖掘股票收益率與影響因子之間線性和非線性關(guān)系,并基于分析結(jié)果構(gòu)建選股交易策略,從而指導(dǎo)投資實(shí)踐。本文首先從公司價(jià)值指標(biāo)、技術(shù)指標(biāo)和投資者情緒指標(biāo)三個(gè)方面,界定170個(gè)明細(xì)指標(biāo),進(jìn)而利用GBDT模型進(jìn)行單因子選股回測(cè),發(fā)現(xiàn)只有23個(gè)因子選擇的股票產(chǎn)生大于零的收益�；谀昊找媛省⑾钠毡嚷实群饬恐笜�(biāo)對(duì)影響因子進(jìn)行初步篩選,構(gòu)建備選因子組合,并利用IC值分析方法進(jìn)行因子篩選,最終構(gòu)建了包括流通市值在內(nèi)的19個(gè)因子形成多因子組合。結(jié)合GBDT模型,進(jìn)行半年期回測(cè)交易,最終獲得9.58%的年化收益率,高于同期滬深300指數(shù)收益,以及用于對(duì)比的六因子組合和八因子組合收益,且選股效果要優(yōu)于隨機(jī)森林模型。但是,單模型選股策略存在收益波動(dòng)率較大、夏普比率偏低等問(wèn)題。其次,為解決模型預(yù)測(cè)準(zhǔn)確性不足的問(wèn)題,利用LSTM模型對(duì)GBDT模型篩選出的股票池進(jìn)行深度挖掘,判斷股票上漲的可能性。基于雙模型多因子選股策略,在半年期的選股交易中,獲得31.4%的年化收益率,夏普比率為0.95。說(shuō)明加入LSTM模型后,預(yù)測(cè)準(zhǔn)確性大幅提高,股票收益率得到較大提升。但是,該策略也存在最大回撤值增加,策略風(fēng)險(xiǎn)上升的問(wèn)題。最后,為降低策略風(fēng)險(xiǎn),同時(shí)考慮到股票收益率與大盤指數(shù)之間呈現(xiàn)正相關(guān)關(guān)系,當(dāng)大盤指數(shù)下跌時(shí)股票收益率有較大可能出現(xiàn)下跌的情形。因此,制定大盤風(fēng)控策略,從而形成基于“多因子體系構(gòu)建-股票池篩選-組合預(yù)測(cè)-風(fēng)險(xiǎn)控制”思想的完整選股交易流程。在實(shí)證研究中,LSTM對(duì)滬深300指數(shù)收益率的預(yù)測(cè)效果較好。在半年期的回測(cè)中,策略的年化收益率為30.40%,夏普比率上升到1.01,在策略收益和風(fēng)險(xiǎn)補(bǔ)償方面得到較大提升,整體效果優(yōu)于跟蹤止損策略。
【圖文】：

圖２－１單因子年化收益排序圖逡逑來(lái)看，公司價(jià)值指標(biāo)有１３個(gè)因子帶來(lái)正的收益，技術(shù)指標(biāo)中有８?jìng)�(gè)的收益，投資者情緒指標(biāo)中有２個(gè)因子帶來(lái)正的收益，整體因子收益值為１８．４８％，說(shuō)明大部分因子并不能長(zhǎng)期穩(wěn)定的解釋股票超額收益合盈虧比均值的０．９５，可以看出大部分單因子并不能較強(qiáng)的解釋股益來(lái)源。在當(dāng)前整體股市行情低迷的情況下，尤其需要提取構(gòu)建多因特征投入，深入挖掘股票收益率的變化特征，從而更好地進(jìn)行股票收并基于預(yù)測(cè)結(jié)果選擇股票組合進(jìn)行投資。逡逑子１Ｃ值分析逡逑單因子實(shí)證表現(xiàn)，本文從年化收益率排序、夏普比率排序、最大回撤角度對(duì)因子進(jìn)行篩選，初步選擇包括流通市值因子在內(nèi)的２１個(gè)因子子組合表，詳見表２－４。逡逑－

股比例半年增長(zhǎng)率和公司價(jià)值指標(biāo)中的市盈率，在研究期內(nèi)因子１Ｃ值波動(dòng)幅度逡逑較大，１Ｃ值的均值分別為－０．０１３和０．０１９，對(duì)于股票收益率的預(yù)測(cè)效果較差，具逡逑體因子１Ｃ值見圖２－２。逡逑Ａｎａｌｙｓｉｓ邋ｏｆ邋ＪＣ逡逑｜｜邐＂邋一邋ＰＵＪｔｍＪ）逡逑——ｒａｎｋ＿ｍ？ｒｉ＜？＿ｆ－ａｐ＿０逡逑邐ｔｆｉ＿ｈ0ＨＪ？ｒ＿＊ｖｆｌ＿ｐｃｔ＿６ｉｎ＿ｃｈｎｇ＿０逡逑0４邐ｆ邐￣邋ｓｈ＿ｎ0ｌｄ？ｒ＿ｍｉｍＪ）逡逑—？邋ｔａ＿ｂｂ？ｎａｓＪｏｗｒｂ？ｎ＜ｊ＿？６＿０逡逑，ｊ邐—邋ｔａ邋ｂｂａｎｄｔ邋ｍｉｄｄｌｅｂｏｎｄ邋Ｊ４邋０逡逑，ｚ邐＾邐ｖ邐，邋ｚ逡逑ｄａｔｅ逡逑圖２－２因子１Ｃ值圖逡逑２．２．５多因子組合確定及實(shí)證分析逡逑結(jié)合單因子實(shí)證表現(xiàn)和１Ｃ值分析，本文選擇包括流通市值因子在內(nèi)的１９個(gè)逡逑因子構(gòu)建多因子組合，詳見表２－６。在公司價(jià)值指標(biāo)方面，本文從企業(yè)的市值、逡逑成長(zhǎng)性、財(cái)務(wù)運(yùn)營(yíng)能力三個(gè)角度出發(fā)，界定包括流通市值、總市值排名、非流動(dòng)逡逑資產(chǎn)、在建工程、一致預(yù)測(cè)未來(lái)１２個(gè)月的每股現(xiàn)金流、流動(dòng)負(fù)債、財(cái)務(wù)費(fèi)用在逡逑內(nèi)的七個(gè)因子，用以衡量公司價(jià)值。其中，流通市值、總市值排名、非流動(dòng)資產(chǎn)逡逑三個(gè)因子對(duì)企業(yè)市值進(jìn)行界定
【學(xué)位授予單位】：北方工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：F832.51

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳亮;王震;王剛;;深度學(xué)習(xí)框架下LSTM網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J];電力信息與通信技術(shù);2017年05期

2 王國(guó)棟;韓斌;孫文峗;;基于LSTM的艦船運(yùn)動(dòng)姿態(tài)短期預(yù)測(cè)[J];艦船科學(xué)技術(shù);2017年13期

3 周生強(qiáng);;LSTM對(duì)上證指數(shù)的實(shí)證分析[J];現(xiàn)代經(jīng)濟(jì)信息;2017年09期

4 王鈞;李廣;劉強(qiáng);;基于LSTM神經(jīng)網(wǎng)絡(luò)模擬的隴中黃土高原溝壑區(qū)保護(hù)性耕作下土壤貯水量變化[J];中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)(中英文);2019年08期

5 關(guān)鵬飛;李寶安;呂學(xué)強(qiáng);周建設(shè);;注意力增強(qiáng)的雙向LSTM情感分析[J];中文信息學(xué)報(bào);2019年02期

6 杜舒靜;徐凡;王明文;;實(shí)體驅(qū)動(dòng)的雙向LSTM篇章連貫性建模[J];中文信息學(xué)報(bào);2017年06期

7 保羅;郭旭琦;喬鐵柱;閻高偉;;改進(jìn)LSTM神經(jīng)網(wǎng)絡(luò)在磨機(jī)負(fù)荷參數(shù)軟測(cè)量中的應(yīng)用[J];中國(guó)礦山工程;2017年03期

8 季學(xué)武;費(fèi)聰;何祥坤;劉玉龍;劉亞輝;;基于LSTM網(wǎng)絡(luò)的駕駛意圖識(shí)別及車輛軌跡預(yù)測(cè)[J];中國(guó)公路學(xué)報(bào);2019年06期

9 花君;嚴(yán)珂;陸慧娟;葉敏超;;基于深度學(xué)習(xí)LSTM的空調(diào)故障診斷[J];中國(guó)計(jì)量大學(xué)學(xué)報(bào);2019年02期

10 陳卓;孫龍祥;;基于深度學(xué)習(xí)LSTM網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)方法[J];電子技術(shù);2018年01期

相關(guān)會(huì)議論文 前9條

1 蔣振超;鄧永;姜青山;古亮;;一種基于兩階段字符級(jí)LSTM的僵尸網(wǎng)絡(luò)檢測(cè)方法[A];第32次全國(guó)計(jì)算機(jī)安全學(xué)術(shù)交流會(huì)論文集[C];2017年

2 李鵬程;孫敏;龐溟舟;;基于LSTM神經(jīng)網(wǎng)絡(luò)的公交到站時(shí)間預(yù)測(cè)[A];第37屆中國(guó)控制會(huì)議論文集（F）[C];2018年

3 朱佳暉;張文峰;劉衛(wèi)平;張超;陳淵;;基于雙向LSTM和CRF的軍事命名實(shí)體識(shí)別和鏈接[A];第六屆中國(guó)指揮控制大會(huì)論文集（上冊(cè)）[C];2018年

4 安鵬;曹丹平;;基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的孔隙度預(yù)測(cè)方法研究[A];2018年中國(guó)地球科學(xué)聯(lián)合學(xué)術(shù)年會(huì)論文集（二十九）——專題59：計(jì)算地球物理方法和應(yīng)用、專題60：地?zé)豳Y源成因新理論與綜合探測(cè)新技術(shù)[C];2018年

5 劉天鵬;劉海;;基于LSTM的城市道路養(yǎng)護(hù)投訴量預(yù)測(cè)研究[A];中國(guó)公路學(xué)會(huì)養(yǎng)護(hù)與管理分會(huì)第九屆學(xué)術(shù)年會(huì)論文集[C];2019年

6 梅杰;;基于LSTM神經(jīng)網(wǎng)絡(luò)的有效停車泊位短時(shí)預(yù)測(cè)方法研究[A];創(chuàng)新驅(qū)動(dòng)與智慧發(fā)展——2018年中國(guó)城市交通規(guī)劃年會(huì)論文集[C];2018年

7 張宇;張鵬遠(yuǎn);顏永紅;;基于注意力LSTM和多任務(wù)學(xué)習(xí)的遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別[A];第十四屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議（NCMMSC’2017）論文集[C];2017年

8 牛溥華;高帆;張雪英;;基于DNN-LSTM的VAD算法[A];第十四屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議（NCMMSC’2017）論文集[C];2017年

9 賈磊;;LSTM建模和CTC訓(xùn)練在語(yǔ)音建模技術(shù)中的應(yīng)用[A];第十三屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議(NCMMSC2015)論文集[C];2015年

相關(guān)碩士學(xué)位論文 前10條

1 馬藝翔;深度學(xué)習(xí)在多因子選股交易中的應(yīng)用研究[D];北方工業(yè)大學(xué);2019年

2 肖爽;基于LSTM的無(wú)人駕駛有軌電車安全評(píng)測(cè)方法研究[D];西安理工大學(xué);2019年

3 李少鵬;結(jié)合CNN和LSTM的滾動(dòng)軸承剩余使用壽命預(yù)測(cè)方法研究[D];哈爾濱理工大學(xué);2019年

4 杜心;基于LSTM神經(jīng)網(wǎng)絡(luò)的可用停車位預(yù)測(cè)模型研究[D];武漢理工大學(xué);2018年

5 李永帥;基于雙向LSTM的動(dòng)態(tài)情感詞典構(gòu)建方法研究及文本情感分析[D];鄭州大學(xué);2019年

6 閆澤杭;基于互助雙向LSTM與遞進(jìn)解碼機(jī)制的圖像標(biāo)題生成[D];大連理工大學(xué);2018年

7 鄧楠;基于LSTM的汽車評(píng)論文本分類研究與應(yīng)用[D];合肥工業(yè)大學(xué);2018年

8 陳帆;基于LSTM情感分析模型的微博謠言識(shí)別方法研究[D];華中師范大學(xué);2018年

9 劉婉婉;基于LSTM神經(jīng)網(wǎng)絡(luò)的蒙漢機(jī)器翻譯的研究[D];內(nèi)蒙古工業(yè)大學(xué);2018年

10 高成亮;基于LSTM的文本上下文依賴特征的表示方法研究[D];河北科技大學(xué);2019年

，

本文編號(hào)：2654344