由于我國(guó)A股市場(chǎng)實(shí)行“T+1”交易制度,在實(shí)際投資中,中長(zhǎng)線交易更受投資者們的喜愛(ài),對(duì)于超短線日內(nèi)回轉(zhuǎn)交易的認(rèn)識(shí)程度不高,更缺乏對(duì)此的研究。然而隨著我國(guó)各種金融衍生工具的出現(xiàn),我國(guó)股票市場(chǎng)走上了高速發(fā)展的道路,更是因此形成了多種多樣的交易策略。本文研究了通過(guò)滬深300成分股建立現(xiàn)貨組合進(jìn)行對(duì)沖并在股票現(xiàn)貨市場(chǎng)上進(jìn)行日內(nèi)回轉(zhuǎn)交易的策略,以期在股票市場(chǎng)上取得低風(fēng)險(xiǎn)的穩(wěn)定收益。本文分為構(gòu)建現(xiàn)貨組合和日內(nèi)回轉(zhuǎn)交易兩部分進(jìn)行研究。第一部分通過(guò)跟蹤滬深300指數(shù)構(gòu)建股票現(xiàn)貨組合。首先根據(jù)不同的現(xiàn)貨構(gòu)建方法進(jìn)行研究,并從中選取了部分優(yōu)化復(fù)制的方法來(lái)構(gòu)建現(xiàn)貨組合。利用主成分分析和K-Means算法對(duì)滬深300成分股進(jìn)行聚類分析得到10類、20類、30類、40類、50類股票,并從每一類股票中選取平均振幅最大的成分股利用遺傳算法計(jì)算其跟蹤滬深300指數(shù)的最優(yōu)權(quán)重。然后比較分析了“聚類+優(yōu)化權(quán)重”、“聚類+等權(quán)重”、“市值排列+優(yōu)化權(quán)重”、“市值排列+等權(quán)重”的跟蹤誤差,確定了“聚類+優(yōu)化權(quán)重”的跟蹤效果最好。最后利用滬深300股指期貨進(jìn)行對(duì)沖以幫助后續(xù)的日內(nèi)回轉(zhuǎn)交易規(guī)避系統(tǒng)性風(fēng)險(xiǎn)。第二部分研究通過(guò)預(yù)配置相... 

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

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

研究路線

哈爾濱工業(yè)大學(xué)管理學(xué)碩士學(xué)位論文益率作為訓(xùn)練集進(jìn)行聚類分析，將 2018 年 6 月 1 日至 2019 年 4 月 30 日的數(shù)據(jù)做為測(cè)試集。由于數(shù)據(jù)維度較高，所以通過(guò) PCA 進(jìn)行降維處理再聚類。數(shù)據(jù)維度過(guò)高會(huì)導(dǎo)致維度災(zāi)難，如果變量個(gè)數(shù)增加，隨之需要估計(jì)的參數(shù)個(gè)數(shù)也在增加，在訓(xùn)練集保持不變的情況下待估參數(shù)的方差也會(huì)隨之增加，導(dǎo)致參數(shù)估計(jì)質(zhì)量下降。主成分分析則可以通過(guò)數(shù)學(xué)方法進(jìn)行降維，將高維變量縮減為一組較少的互相無(wú)關(guān)的綜合指標(biāo)。本文對(duì)高頻數(shù)據(jù)聚類分析時(shí)，每只股票的 5 分鐘數(shù)據(jù)數(shù)量在[24000，28800]這個(gè)區(qū)間內(nèi)，利用 PCA 將其降為 3000 維的變量，累計(jì)方差貢獻(xiàn)率為 90.67%。本文通過(guò) Python 進(jìn)行 PCA。如圖 3-1 為主成分分析部分結(jié)果。

哈爾濱工業(yè)大學(xué)管理學(xué)碩士學(xué)位論文票，在類別間比較時(shí)，不同類別的股票的走勢(shì)是會(huì)有很大差異的，為了驗(yàn)證這一點(diǎn)，我們?cè)诰垲惓?10 類的股票中，挑選每一類中的代表股票，分別是：中國(guó)平安，洛陽(yáng)鉬業(yè)，華泰證券，萬(wàn)科 A，南方航空，招商銀行，大華股份，用友網(wǎng)絡(luò)，華東醫(yī)藥，五糧液。根據(jù)這 10 只股票的每日收盤(pán)價(jià)畫(huà)出他們的走勢(shì)如下圖 3-2。

【參考文獻(xiàn)】：
期刊論文
[1]皮爾森優(yōu)化結(jié)合Xgboost算法的股價(jià)預(yù)測(cè)研究[J]. 陳宇韶,唐振軍,羅揚(yáng),楊潔.  信息技術(shù). 2018(09)
[2]股指期貨套利中的最優(yōu)現(xiàn)貨組合構(gòu)建策略研究[J]. 周羽齊.  今日財(cái)富. 2018(10)
[3]基于技術(shù)分析指標(biāo)的投資者情緒指數(shù)有效性研究[J]. 向誠(chéng),陸靜.  管理科學(xué). 2018(01)
[4]基于貝葉斯最優(yōu)化的Xgboost算法的改進(jìn)及應(yīng)用[J]. 李葉紫,王振友,周怡璐,韓曉卓.  廣東工業(yè)大學(xué)學(xué)報(bào). 2018(01)
[5]基于MACD與MA比較的價(jià)格趨勢(shì)識(shí)別[J]. 鄒海榮,陳標(biāo)金.  企業(yè)經(jīng)濟(jì). 2017(07)
[6]股指期貨套利中的最優(yōu)現(xiàn)貨組合構(gòu)建策略研究[J]. 柴尚蕾,郭崇慧,徐旭.  運(yùn)籌與管理. 2012(02)
[7]回轉(zhuǎn)交易制度對(duì)股票市場(chǎng)質(zhì)量的影響[J]. 成微,劉善存,邱菀華.  系統(tǒng)工程理論與實(shí)踐. 2011(08)
[8]日內(nèi)回轉(zhuǎn)交易的市場(chǎng)效果:基于上海證券市場(chǎng)的實(shí)證研究[J]. 劉逖,葉武.  新金融. 2008(03)
[9]滬深300股指期貨期現(xiàn)套利中現(xiàn)貨選擇研究[J]. 劉冰.  時(shí)代經(jīng)貿(mào)(中旬刊). 2007(SC)
[10]股指期貨定價(jià)與期現(xiàn)套利分析——兼論滬深300股指的現(xiàn)貨模擬策略[J]. 蘇嬋媛.  北方經(jīng)濟(jì). 2007(22)

碩士論文
[1]基于XGBoost模型的短期股票預(yù)測(cè)[D]. 伯毅.哈爾濱工業(yè)大學(xué) 2018
[2]基于異構(gòu)信息處理對(duì)股票聯(lián)動(dòng)效應(yīng)的研究[D]. 湯瑤.哈爾濱工業(yè)大學(xué) 2018
[3]中國(guó)股指期貨期現(xiàn)套利研究及策略設(shè)計(jì)[D]. 梁媚.浙江大學(xué) 2017
[4]基于多技術(shù)指標(biāo)和形態(tài)軌跡量化的股票趨勢(shì)預(yù)測(cè)方法研究[D]. 衛(wèi)柄岐.西北大學(xué) 2017
[5]基于XGBoost算法的多因子量化選股方案策劃[D]. 李想.上海師范大學(xué) 2017
[6]基于機(jī)器學(xué)習(xí)的量化選股研究[D]. 胡謙.山東大學(xué) 2016
[7]滬深300股指復(fù)制策略研究[D]. 許悅.南京大學(xué) 2015
[8]股指期貨的套利策略研究[D]. 韓潔.西北大學(xué) 2013
[9]基于高頻數(shù)據(jù)的中國(guó)股指期貨程序化交易策略有效性研究[D]. 寇義.哈爾濱工業(yè)大學(xué) 2013
[10]基于股指期貨的套利策略設(shè)計(jì)[D]. 鄒志超.華中科技大學(xué) 2013



本文編號(hào)：2904919