證券市場(chǎng)交易具有高風(fēng)險(xiǎn)高收益的特征,吸引著大量投資者關(guān)注。傳統(tǒng)投資主要以人的意志思想為主,受到人腦的信息處理能力,以及人的情緒、知識(shí)、認(rèn)知等多方面因素的制約,在進(jìn)行投資過程中往往表現(xiàn)得盲目或者過激。量化投資交易策略以數(shù)據(jù)為基礎(chǔ),結(jié)合數(shù)學(xué)、概率論等多學(xué)科的科學(xué)知識(shí),加以有證的金融學(xué)知識(shí)輔助,制定高效的投資策略,利用計(jì)算機(jī)的高效、高紀(jì)律性等特點(diǎn)進(jìn)行投資,能夠很好的解決有人性帶來的各種不足。傳統(tǒng)意義上的量化投資交易策略結(jié)合證券數(shù)據(jù)進(jìn)行分析,這種方案更加趨向于使用計(jì)算機(jī)進(jìn)行技術(shù)面分析。證券市場(chǎng)具有顯著的動(dòng)蕩特點(diǎn),傳統(tǒng)算法往往無法很好地應(yīng)對(duì)價(jià)格趨勢(shì)地變化,泛化能力較弱。因此本文使用人工智能的方式,對(duì)量化投資交易進(jìn)行了研究。首先,使用基于圖形識(shí)別地CNN模型,對(duì)股票市場(chǎng)數(shù)據(jù)進(jìn)行訓(xùn)練,預(yù)測(cè)未來走勢(shì)。使用訓(xùn)練模型給出的預(yù)測(cè)結(jié)果結(jié)合邏輯回歸的策略模型,針對(duì)2016年至2019年滬深300的部分?jǐn)?shù)據(jù)進(jìn)行了回測(cè)。回測(cè)結(jié)果表明,基于圖形識(shí)別的量化交易策略模型,能夠在一定程度上對(duì)未來一段時(shí)間的走勢(shì)進(jìn)行預(yù)測(cè),擇時(shí)結(jié)果在大概率上也能夠帶來超出平均的收益。CNN圖形識(shí)別模型越策走勢(shì)的準(zhǔn)確率約為75%,結(jié)合邏輯回歸模型... 

【文章來源】：長(zhǎng)江大學(xué)湖北省

【文章頁數(shù)】：50 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

常見交易軟件行情信息與移動(dòng)平均線指標(biāo)Figure2-1Commontradingmarketinformationandmovingaverageindex

13分別表示大買和大賣單。2.2.2日內(nèi)數(shù)據(jù)指標(biāo)特征選取日內(nèi)交易數(shù)據(jù)屬于高頻數(shù)據(jù)，一般分為逐筆數(shù)據(jù)，和分筆數(shù)據(jù)。逐筆數(shù)據(jù)是指每一筆成交單與之對(duì)應(yīng)的實(shí)盤價(jià)格、掛單量等數(shù)據(jù)，分筆數(shù)據(jù)是指短時(shí)間內(nèi)，以同一個(gè)價(jià)格成交的多個(gè)逐筆數(shù)據(jù)的綜合數(shù)據(jù)。由于逐筆數(shù)據(jù)過小過細(xì)，無法反應(yīng)實(shí)際交易場(chǎng)景，研究過程中使用分筆數(shù)據(jù)進(jìn)行量化擇時(shí)研究。分筆數(shù)據(jù)一般由成交時(shí)間、成交價(jià)格、成交筆數(shù)、成交額、成交量、買賣盤、買一至買五價(jià)與量、賣一至買五價(jià)與量構(gòu)成。同時(shí)level2行情中有更細(xì)化的多檔行情數(shù)據(jù)，由于level2數(shù)據(jù)體量過大，成本過高，本研究中僅基于五檔行情進(jìn)行。交來易委托買賣股票遵循“價(jià)格優(yōu)先，時(shí)間優(yōu)先”原則。所以會(huì)系統(tǒng)會(huì)將賣出源方以價(jià)格最低開始排列，列出五種價(jià)格，即賣一賣二賣三賣四賣五。買入方以價(jià)格最高開始排列，列出五種價(jià)格，即買一買二買三買四買五。而無論賣方還是買方，每一種價(jià)格雙以時(shí)間優(yōu)先來進(jìn)行排隊(duì)。于是就形成了價(jià)格平衡態(tài)。一旦一個(gè)價(jià)格打破了這種平衡，超出賣一價(jià)購買，或低于買一價(jià)售賣，就形成了一筆交易。買賣盤即表示形成交易的方式，買盤表示主動(dòng)買，以賣一價(jià)成交，用B表示，賣盤表示主動(dòng)賣，以買一價(jià)成交，用S表示。如下圖2-2所示。圖2-2分筆數(shù)據(jù)Figure2-2Subdividingdata2.3自定義大資金計(jì)算指標(biāo)在自由交易的股票市場(chǎng)中，充斥著空多雙方的博弈，因此形成了大量表象數(shù)據(jù)。比如為了營造價(jià)格持續(xù)上漲的行情，通常使用多個(gè)賬號(hào)，一個(gè)賣出一個(gè)買入，進(jìn)而抬高股票價(jià)格，反之亦然。或者為了營造交易量，使股票表現(xiàn)得活躍，也通常使用多個(gè)賬戶進(jìn)行倉位轉(zhuǎn)移，制造成交量。因此也形成托盤、壓盤的現(xiàn)象。為了避免由于此類操作對(duì)擇時(shí)分析的影響，需要先對(duì)分筆數(shù)據(jù)進(jìn)行過濾，排除惡意數(shù)據(jù)。

16特定的數(shù)據(jù)區(qū)間的算法。首先計(jì)算標(biāo)準(zhǔn)差，公式如下3-1所示。公式3-1其中均值μ=0，σ=1，則z-score標(biāo)準(zhǔn)化轉(zhuǎn)換公式如下公式3-2所示。公式3-2把輸入的樣本數(shù)據(jù)進(jìn)行歸一化處理之后，使用PythonMatplotlib庫繪制出股票的走勢(shì)圖，以浦發(fā)銀行、中國平安股票為例，繪制效果如下圖3-1所示。圖3-1浦發(fā)銀行、中國平安股票K線歸一化圖形Figure3-1NormalizedfigureofK-line3.2基于卷積神經(jīng)網(wǎng)絡(luò)的K線圖形學(xué)習(xí)方法3.2.1深度學(xué)習(xí)應(yīng)用深度學(xué)習(xí)誕生自人工神經(jīng)網(wǎng)絡(luò)。倫多大學(xué)教授Hinton在2006年在《科學(xué)》雜志上發(fā)表論文《深度信念網(wǎng)絡(luò)的一種快速學(xué)習(xí)算法[37]》，一舉解決了包含多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)問題，并由此提出了深度學(xué)習(xí)的概念。深度學(xué)習(xí)是具有多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在許多領(lǐng)域都取得了突破。在實(shí)際應(yīng)用中，通�？梢苑譃閮蓚�(gè)階段。首先是深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)的形成階段。深度學(xué)習(xí)可以從底層（輸入層）到高層（輸出層）逐層提取特征，以建立屬性類別或特征表示形式的映射關(guān)系，在這種網(wǎng)絡(luò)結(jié)構(gòu)的形成中，深度學(xué)習(xí)可以不受監(jiān)督地提取功能，而不是預(yù)先執(zhí)行手動(dòng)操作提取，大大減少了工作量；其次是深度學(xué)習(xí)網(wǎng)絡(luò)在網(wǎng)絡(luò)結(jié)構(gòu)的應(yīng)用階段，一旦網(wǎng)絡(luò)結(jié)構(gòu)形成，系統(tǒng)就將具備通過向網(wǎng)絡(luò)結(jié)構(gòu)中輸入向量，并獲取輸出結(jié)果的能力。京東公司通過深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，可以基本掌握每個(gè)顧客的情緒，性格和心理

【參考文獻(xiàn)】：
期刊論文
[1]混沌時(shí)間序列分析與預(yù)測(cè)研究綜述[J]. 韓敏,任偉杰,李柏松,馮守渤.  信息與控制. 2020(01)
[2]基于改進(jìn)AdaBoost算法的選股模型[J]. 賀超,吳飛,何洋,朱海.  智能計(jì)算機(jī)與應(yīng)用. 2020(02)
[3]當(dāng)你聽到了敲門聲……[J]. 風(fēng)信子.  中學(xué)生天地（A版）. 2020(02)
[4]應(yīng)用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)[J]. 彭欣儀,李磊.  福建電腦. 2020(01)
[5]基于雙層特征融合的生物識(shí)別[J]. 孔俊.  北華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(01)
[6]基于兩步法帶寬選擇的金融時(shí)間序列長(zhǎng)記憶參數(shù)估計(jì)[J]. 盛積良,歐陽道中.  數(shù)理統(tǒng)計(jì)與管理. 2020(01)
[7]基于高頻交易數(shù)據(jù)的波動(dòng)率及量化交易研究[J]. 王顏溶,董瑩瑩,馮小珊.  現(xiàn)代商業(yè). 2019(09)
[8]量化投資交易策略研究[J]. 郭笑宇.  財(cái)經(jīng)界(學(xué)術(shù)版). 2019(02)
[9]機(jī)器學(xué)習(xí)方法在股指期貨預(yù)測(cè)中的應(yīng)用研究——基于BP神經(jīng)網(wǎng)絡(luò)、SVM和XGBoost的比較分析[J]. 黃卿,謝合亮.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2018(08)
[10]基于隱馬爾可夫模型在股票擇時(shí)上的應(yīng)用與研究[J]. 王曠羽.  電腦編程技巧與維護(hù). 2018(04)

博士論文
[1]金融風(fēng)險(xiǎn)價(jià)值量化分析的模型與實(shí)證[D]. 彭選華.重慶大學(xué) 2011

碩士論文
[1]量化交易中股票擇時(shí)的策略研究[D]. 吳桂雯.天津商業(yè)大學(xué) 2017
[2]基于BP神經(jīng)網(wǎng)絡(luò)的股票量化分析研究[D]. 陳麗麗.浙江工業(yè)大學(xué) 2017
[3]基于文本挖掘的投資者情緒驅(qū)動(dòng)策略模型及其應(yīng)用研究[D]. 李衛(wèi)康.湖南大學(xué) 2017
[4]遺傳算法和灰色預(yù)測(cè)模型的研究及應(yīng)用[D]. 張錦秀.寧波大學(xué) 2015
[5]程序化交易算法模型的研究[D]. 郭燕.山東大學(xué) 2012
[6]電子商務(wù)中非可信主體間的交易撮合[D]. 李鵬.復(fù)旦大學(xué) 2011
[7]海南證券業(yè)區(qū)域發(fā)展問題研究[D]. 張鈞皓.東北師范大學(xué) 2011
[8]上市公司大股東與真實(shí)活動(dòng)盈余管理的實(shí)證研究[D]. 張語恩.湘潭大學(xué) 2011
[9]撮合交易在云南裝備制造業(yè)網(wǎng)站建設(shè)中的應(yīng)用研究[D]. 史紅玉.云南大學(xué) 2010
[10]證券糾紛仲裁制度研究[D]. 戴龍鳳.對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué) 2005



本文編號(hào)：3363388