近年來,計(jì)算機(jī)大數(shù)據(jù)、人工智能技術(shù)發(fā)展迅猛,得益于計(jì)算機(jī)技術(shù)的突破,量化投資也進(jìn)入了一個(gè)爆發(fā)時(shí)代。量化投資的本質(zhì)是通過將各類經(jīng)濟(jì)指標(biāo)量化,建立數(shù)學(xué)模型,找到能夠?qū)崿F(xiàn)穩(wěn)定收益的投資策略,其中的一種有效的方法就是多因子選股策略。本文嘗試使用深度神經(jīng)網(wǎng)絡(luò)的方法發(fā)掘有效因子和收益率之間的非線性關(guān)系,基于神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)的特性,可以在反復(fù)訓(xùn)練中優(yōu)化各個(gè)因子的權(quán)重,最后求得模型損失函數(shù)的最優(yōu)解,使神經(jīng)網(wǎng)絡(luò)的分析模型具有更高的準(zhǔn)確性,從而得到一個(gè)可以分析判斷股票收益率的模型,實(shí)現(xiàn)通過神經(jīng)網(wǎng)絡(luò)選股模型實(shí)現(xiàn)超額收益。本文試圖聚焦于2010年至2018年的中國A股交易市場信息、上市公司財(cái)務(wù)信息、上市公司財(cái)務(wù)指標(biāo)等眾多因子中驗(yàn)證出最有效的因子,然后利用TensorFlow框架建立多因子的神經(jīng)網(wǎng)絡(luò)模型,將個(gè)股的有效因子作為輸入層,個(gè)股的盈利率作為輸出層,中間建立合適的隱藏層數(shù)和合適的神經(jīng)元個(gè)數(shù)。反復(fù)測試并調(diào)整模型參數(shù),調(diào)整參數(shù)包括隱藏層數(shù),隱藏神經(jīng)元個(gè)數(shù)、學(xué)習(xí)速率等,最后建立一套基于深度神經(jīng)網(wǎng)絡(luò)的多因子股票選擇模型。通過本文的實(shí)驗(yàn)驗(yàn)證,最終找到了一系列用于構(gòu)建多因子神經(jīng)網(wǎng)絡(luò)選股模型的參數(shù),并對數(shù)據(jù)進(jìn)行了預(yù)測,結(jié)... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 相關(guān)領(lǐng)域研究現(xiàn)狀
        1.2.1 多因子策略研究現(xiàn)狀
        1.2.2 神經(jīng)網(wǎng)絡(luò)技術(shù)研究現(xiàn)狀
        1.2.3 文獻(xiàn)評述
    1.3 論文框架結(jié)構(gòu)
        1.3.1 研究思路
        1.3.2 行文框架
        1.3.3 技術(shù)框架
第二章 相關(guān)理論概述
    2.1 量化投資概念
        2.1.1 量化投資理論介紹
        2.1.2 國內(nèi)外量化投資發(fā)展情況
    2.2 多因子量化選股策略理論
        2.2.1 多因子量化選股策略的介紹
        2.2.2 多因子量化選股策略的方法
        2.2.3 多因子量化選股策略的優(yōu)勢
    2.3 神經(jīng)網(wǎng)絡(luò)理論
        2.3.1 神經(jīng)網(wǎng)絡(luò)理論介紹
        2.3.2 神經(jīng)網(wǎng)絡(luò)具體工作原理介紹
        2.3.3 神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢
第三章 數(shù)據(jù)的獲取與預(yù)處理
    3.1 數(shù)據(jù)獲取途徑
        3.1.1 時(shí)間段與股票個(gè)數(shù)選取說明
        3.1.2 A股交易信息歷史數(shù)據(jù)的獲取說明
        3.1.3 A股上市公司財(cái)務(wù)數(shù)據(jù)獲取說明
        3.1.4 A股上市公司收益率數(shù)據(jù)獲取說明
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 數(shù)據(jù)的合并
        3.2.2 無效數(shù)據(jù)與缺失數(shù)據(jù)的處理
        3.2.3 數(shù)據(jù)的矩陣化
        3.2.4 兩組數(shù)據(jù)的使用說明
第四章 有效因子的選取
    4.1 因子的分類
    4.2 因子與收益率單調(diào)性關(guān)系
    4.3 因子間相關(guān)系數(shù)關(guān)系
    4.4 確定有效因子
    4.5 神經(jīng)網(wǎng)絡(luò)選擇因子補(bǔ)充說明
第五章 神經(jīng)網(wǎng)絡(luò)模型的建立
    5.1 數(shù)據(jù)標(biāo)準(zhǔn)化
    5.2 開發(fā)集、驗(yàn)證集、測試集劃分
    5.3 建立多層神經(jīng)網(wǎng)絡(luò)模型
        5.3.1 損失函數(shù)與評價(jià)指標(biāo)
        5.3.2 激活函數(shù)的選擇
        5.3.3 隱藏層數(shù)量的選擇
        5.3.4 神經(jīng)元數(shù)量的選擇
        5.3.5 正則化和Dropout
        5.3.6 優(yōu)化器選擇對比與學(xué)習(xí)效率選擇
    5.4 基礎(chǔ)參數(shù)選取
第六章 神經(jīng)網(wǎng)絡(luò)多因子策略的驗(yàn)證
    6.1 模型在測試集上的選股驗(yàn)證結(jié)果
    6.2 模型在未來數(shù)據(jù)上的驗(yàn)證結(jié)果
    6.3 模型的長期對比驗(yàn)證
第七章 結(jié)論與展望
    7.1 總結(jié)
    7.2 下一步優(yōu)化
    7.3 不足之處
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)sigmoid激活函數(shù)的深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法研究[J]. 黃毅,段修生,孫世宇,郎巍.  計(jì)算機(jī)測量與控制. 2017(02)
[2]散戶投資者股票交易認(rèn)識(shí)上存在的誤區(qū)及對策[J]. 傅佑全.  內(nèi)江師范學(xué)院學(xué)報(bào). 2016(12)
[3]淺析基于大數(shù)據(jù)的多因子量化選股策略[J]. 李姝錦,胡曉旭,王聰.  經(jīng)濟(jì)研究導(dǎo)刊. 2016(17)
[4]基于遺傳算法與BP神經(jīng)網(wǎng)絡(luò)的股票預(yù)測[J]. 胡照躍,白艷萍.  數(shù)字技術(shù)與應(yīng)用. 2016(03)
[5]神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J]. 焦李成,楊淑媛,劉芳,王士剛,馮志璽.  計(jì)算機(jī)學(xué)報(bào). 2016(08)
[6]基于動(dòng)態(tài)混沌神經(jīng)網(wǎng)絡(luò)的預(yù)測研究——以馬鈴薯時(shí)間序列價(jià)格為例[J]. 李哲敏,許世衛(wèi),崔利國,張建華.  系統(tǒng)工程理論與實(shí)踐. 2015(08)
[7]證券投資基金收益概率密度預(yù)測——基于神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型[J]. 阮素梅,于寧.  華東經(jīng)濟(jì)管理. 2015(02)
[8]基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的房價(jià)預(yù)測分析[J]. 高玉明,張仁津.  計(jì)算機(jī)工程. 2014(04)
[9]基于整體特征神經(jīng)網(wǎng)絡(luò)數(shù)字二次識(shí)別方法[J]. 張翼成,陳欣,嵇小波,張曉榮.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2013(06)
[10]股票收益率對于換手率的影響及其動(dòng)因[J]. 周仁才,吳沖鋒.  上海交通大學(xué)學(xué)報(bào). 2009(04)

碩士論文
[1]基于情緒系數(shù)下的多因子選股模型實(shí)證研究[D]. 劉昭.山東大學(xué) 2017
[2]基于財(cái)務(wù)指標(biāo)量化選股的alpha策略可行性研究[D]. 侯永樂.浙江工商大學(xué) 2017
[3]中國股市暴漲暴跌的原因及對策分析[D]. 董若斌.天津財(cái)經(jīng)大學(xué) 2017
[4]情緒因子與股票截面收益[D]. 鐘強(qiáng).浙江工商大學(xué) 2017
[5]基于打分法多因子模型的量化選股策略實(shí)證分析[D]. 王雨.東北財(cái)經(jīng)大學(xué) 2016
[6]神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)在量化投資中的應(yīng)用[D]. 白凱敏.山東大學(xué) 2016
[7]基于市場有效性的上市公司財(cái)務(wù)信息與股價(jià)的關(guān)系研究[D]. 郭文君.華南理工大學(xué) 2015
[8]多因子選股模型的構(gòu)建與應(yīng)用[D]. 朱世清.山東財(cái)經(jīng)大學(xué) 2015



本文編號(hào)：3203057