【摘要】：隨著人工智能技術(shù)和理論的發(fā)展,金融領(lǐng)域開始發(fā)生巨大的變革,交易量巨大,歷史數(shù)據(jù)精確完備等特點使得金融領(lǐng)域進一步朝著程序化、系統(tǒng)化和智能化的方向發(fā)展。VWAP(Volume Weighted Average Price)作為金融領(lǐng)域比較流行的一種拆單算法,能夠拆分大額委托單,降低大單對市場的沖擊,增加大單的隱秘性。但隨著交易者目標的多元化以及交易市場的不斷變革,傳統(tǒng)的VWAP算法執(zhí)行效果不再穩(wěn)定,無法滿足大眾需求,需要尋求新的解決辦法。考慮到近年來深度神經(jīng)網(wǎng)絡(luò)算法在眾多領(lǐng)域的預(yù)測效果十分顯著,尤其是長短記憶神經(jīng)網(wǎng)絡(luò)(LSTM)可謂是擅長處理時間序列的首選神經(jīng)網(wǎng)絡(luò),故本文引入LSTM神經(jīng)網(wǎng)絡(luò)算法來重新構(gòu)造股票拆單模型。1)本文設(shè)計了一種短期高頻交易的股票拆單策略,并根據(jù)拆單策略中預(yù)測需求的不同,基于LSTM神經(jīng)網(wǎng)絡(luò)分別構(gòu)建了對應(yīng)的回歸預(yù)測模型和分類預(yù)測模型,摒棄了傳統(tǒng)VWAP算法的執(zhí)行過程及其存在的缺陷。采用歸一化誤差和精準度這兩個性能評價指標對兩個模型的預(yù)測效果進行分析和驗證,實驗表明神經(jīng)網(wǎng)絡(luò)回歸模型的執(zhí)行效果遠遠超過神經(jīng)網(wǎng)絡(luò)分類預(yù)測模型。2)通過閱讀大量相關(guān)文獻,選取了包含漲跌幅、波動率、盤口壓力等特征因子在內(nèi)的一套特征集,并結(jié)合拆單策略將特征集中的每個特征因子的計算方法作了新的定義和說明。通過對不同特征因子組合下的模型執(zhí)行效果進行對比分析,觀察不同特征因子對股票預(yù)測的影響程度以及何種組合下預(yù)測性能最優(yōu)。3)本文采用訓(xùn)練效率較高的隨機梯度下降法訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò)模型,通過設(shè)置不同的訓(xùn)練參數(shù)如隱層神經(jīng)元個數(shù)、學(xué)習(xí)率、輸入個數(shù)、訓(xùn)練次數(shù)等來觀察模型的訓(xùn)練效果。通過對參數(shù)進行調(diào)優(yōu),最終找到了一組性能較優(yōu)的訓(xùn)練參數(shù),使模型能夠較好地避免欠擬合和過擬合,表現(xiàn)出良好的預(yù)測效果。優(yōu)良的預(yù)測效果證實了 LSTM神經(jīng)網(wǎng)絡(luò)在算法交易中的適用性,也為神經(jīng)網(wǎng)絡(luò)算法在金融領(lǐng)域的發(fā)展奠定了堅實的基礎(chǔ)。
【圖文】：

逑的交易量己經(jīng)占到了總交易量的２／３以上，可見算法交易對歐美經(jīng)濟的影響力之逡逑大，由圖２．１顯示的美國證券市場近些年交易方式的變化情況可知算法交易的占逡逑比正在逐年上升。逡逑ｍ逡逑ｍ逡逑ｍ邋W逡逑Ｅ邋ＪＯ邋＿逡逑ｆｓｏ畫逡逑＿邋＿逡逑§邋５０邋Ｉ邐＿逡逑ｓ邋Ｕ邋Ｉ邋Ｉ邋Ｍ逡逑ｌＵｉ＼ｌ邋ＩＩＩ邋１１１逡逑２ｍＢ邋２＆Ｂ邋２０１０邋２０１１邋２０１２邋２０１３逡逑年份逡逑媝邋Ｈｉｇｈ邋Ｔｏｙ邋ｄｉ邋Ｏｒｄｅｒｓ邋呡r2丨ｇｏｉｔｔｆｉｍｋ邋ｌａｄｉｎｇ邋畫邋Ｄ曑Ａ逡逑圖２．１美國證券市場近年來市場交易方式的變化逡逑２．邋１．邋２算法交易的優(yōu)勢及市場影響逡逑算法交易通過計算機來控制參數(shù)、下發(fā)交易指令，提交訂單并在提交后管理逡逑訂單，包括決定交易時間點、下單價格、成交數(shù)量等，對比傳統(tǒng)交易方式，算法逡逑交易有著顯而易見的優(yōu)勢。算法交易的執(zhí)行要以先進的技術(shù)為后盾，通常情況下逡逑無需人工干預(yù)，計算機自動根據(jù)事先設(shè)定的交易模型進行一系列操作。算法交易逡逑是由計算機程序控制的交易方式，利用計算機程序制定交易策略、依據(jù)確定好的逡逑目標自動提交訂單并對訂單進行有效管理，并且在交易過程中能夠避免很多人為逡逑因素如情緒波動，認知失誤、操作不當(dāng)?shù)仍斐傻那_［２２］。算法交易在速度上遠勝逡逑于傳統(tǒng)手工交易方式

聽到一段語音后，理解語句并產(chǎn)生回復(fù)。科學(xué)家們產(chǎn)生了構(gòu)建人工神經(jīng)網(wǎng)絡(luò)來模逡逑擬生物神經(jīng)系統(tǒng)的想法并不斷鉆研大腦的工作機理。終于在１９４３年，ＭｃＣｕｌｌｏｃｈ逡逑和Ｐｉｔｔｓ將這種神經(jīng)系統(tǒng)的工作方式抽象為一個簡單的神經(jīng)元模型，如圖２．４所示逡逑的“Ｍ－Ｐ”神經(jīng)元模型成為經(jīng)典的仿生模型之一，，一直被沿用至今。逡逑ｂｋ偏置逡逑ＸＩ邋ＣＬ逡逑ｆ逡逑＼Ｗｋ１逡逑ｘ２邋0—＿＾邋ｖｋ邐？ｎ邐祚逡逑＇邋—邋邐？＜＝邐逡逑－＊邐和結(jié)點邐激活函數(shù)邐輸出逡逑ｘｎ邐突觸權(quán)值逡逑輸入逡逑圖２．４邋Ｍ－Ｐ神經(jīng)元模型逡逑在Ｍ－Ｐ神經(jīng)元模型中，表示ｎ個輸入，ｗｈ？分別為加在每個輸入信逡逑號上的權(quán)值，神經(jīng)元將ｎ個輸入經(jīng)過加權(quán)求和得到的輸出經(jīng)過激活函數(shù)的處理產(chǎn)逡逑生最后的輸出。最常見的激活函數(shù)有沿ｇｗｏＷ函數(shù)和階躍函數(shù)，激活函數(shù)的作用逡逑一般是給表達能力不夠的模型增加非線性元素，使神經(jīng)網(wǎng)絡(luò)能夠更好地處理較為逡逑復(fù)雜的問題。圖２．５和２．６分別為階躍函數(shù)和激活函數(shù)的示意圖：逡逑１４逡逑
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：F830.91;TP183

【參考文獻】

相關(guān)期刊論文 前9條

1 陳夢根;;算法交易的興起及最新研究進展[J];證券市場導(dǎo)報;2013年09期

2 張瑞民;曹義華;;Prediction of Wing Aerodynamic Performance in Rain Using Neural Net[J];Journal of Measurement Science and Instrumentation;2011年04期

3 蔡紅;陳榮耀;;基于PCA-BP神經(jīng)網(wǎng)絡(luò)的股票價格預(yù)測研究[J];計算機仿真;2011年03期

4 王文波;費浦生;羿旭明;;基于EMD與神經(jīng)網(wǎng)絡(luò)的中國股票市場預(yù)測[J];系統(tǒng)工程理論與實踐;2010年06期

5 孟曉東;袁道華;施惠豐;;基于回歸模型的數(shù)據(jù)挖掘研究[J];計算機與現(xiàn)代化;2010年01期

6 李曄;;基于VWAP基準的中國股市日內(nèi)交易量的分解與建模研究[J];北京理工大學(xué)學(xué)報(社會科學(xué)版);2008年06期

7 張立軍;苑迪;;基于GA-Elman動態(tài)回歸神經(jīng)網(wǎng)絡(luò)的股價預(yù)測模型研究[J];華東經(jīng)濟管理;2008年09期

8 袁宏,陳華富,堯德中;A New General Linear Convolution Model for fMRI Data Process[J];Journal of Electronic Science and Technology of China;2005年01期

9 簡相超,鄭君里;混沌神經(jīng)網(wǎng)絡(luò)預(yù)測算法評價準則與性能分析[J];清華大學(xué)學(xué)報(自然科學(xué)版);2001年07期

相關(guān)博士學(xué)位論文 前2條

1 燕汝貞;基于隱性交易成本的算法交易策略研究[D];電子科技大學(xué);2014年

2 但功偉;中國證券市場執(zhí)行風(fēng)險的建模與應(yīng)用研究[D];天津大學(xué);2007年

相關(guān)碩士學(xué)位論文 前5條

1 鄒浩;改進型成交量預(yù)測的VWAP算法交易策略動態(tài)模型設(shè)計與實證研究[D];浙江工商大學(xué);2015年

2 張明;基于改進動態(tài)神經(jīng)網(wǎng)絡(luò)的股票預(yù)測模型的研究[D];內(nèi)蒙古大學(xué);2014年

3 敖薇;中國證券市場動態(tài)VWAP策略研究[D];上海交通大學(xué);2013年

4 朱博雅;一種基于數(shù)據(jù)挖掘的量化投資系統(tǒng)的設(shè)計與實現(xiàn)[D];復(fù)旦大學(xué);2012年

5 羅勇;小波神經(jīng)網(wǎng)絡(luò)在金融時間序列分析中的應(yīng)用[D];成都理工大學(xué);2007年

本文編號：2667326