近年來,金融市場上越來越多的交易機構(gòu)應(yīng)用各類算法交易策略來獲得理想回報,交易量加權(quán)均價VWAP算法交易策略便是其中之一。傳統(tǒng)的VWAP執(zhí)行策略靜態(tài)地運用以往數(shù)據(jù)來預(yù)測未來的交易量分布比例,執(zhí)行效果差強人意。而本文應(yīng)用交易量分解預(yù)測法、混頻數(shù)據(jù)抽樣法與乘積誤差模型等理論方法將股票高頻數(shù)據(jù)的日內(nèi)交易量分解為日內(nèi)周期成分、低頻成分和日內(nèi)非周期成分,之后再分別對這些乘積成分進(jìn)行相應(yīng)的預(yù)測工作得到各個成分的預(yù)測值,最后把各個成分的預(yù)測數(shù)值匯總得到最終的日內(nèi)交易量預(yù)測值。然后在對日內(nèi)交易量分布比例預(yù)測工作的基礎(chǔ)上,本文構(gòu)造了一個基于交易量分解的VWAP算法優(yōu)化策略（VWAP＿opti交易策略）。本文實例分析部分利用中國A股市場上招商銀行、中興通訊和華泰證券等十只大盤權(quán)重股票的高頻交易數(shù)據(jù),所構(gòu)建的VWAP＿opti優(yōu)化策略的價格與市場實際的VWAP價格（基準(zhǔn)VWAP＿real價格）之間偏差值,比TWAP策略以及傳統(tǒng)的VWAP策略（VWAP＿trad策略）價格與市場實際的VWAP＿real價格偏差值的平均百分比絕對誤差（MAPD）更小,說明相比于TWAP策略和傳統(tǒng)的VWAP＿trad策略,本文的VW... 

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題背景與意義
        1.1.1 選題背景
        1.1.2 選題意義
    1.2 本文的研究思路與研究內(nèi)容
        1.2.1 研究思路
        1.2.2 研究內(nèi)容
    1.3 本文的研究方法
    1.4 本文的技術(shù)路線
    1.5 本文可能的創(chuàng)新點
第二章 文獻(xiàn)綜述及相關(guān)理論
    2.1 文獻(xiàn)綜述
        2.1.1 算法交易相關(guān)文獻(xiàn)
        2.1.2 交易量的研究現(xiàn)狀
    2.2 VWAP算法交易策略
        2.2.1 VWAP價格
        2.2.2 VWAP策略的原理
        2.2.3 VWAP策略的執(zhí)行
        2.2.4 傳統(tǒng)VWAP策略的不足
    2.3 相關(guān)理論基礎(chǔ)
        2.3.1 交易量分解預(yù)測理論
        2.3.2 混頻數(shù)據(jù)抽樣法
        2.3.3 乘積誤差模型
    2.4 交易量預(yù)測跟蹤市場VWAP
    2.5 本章小結(jié)
第三章 基于交易量分解的VWAP優(yōu)化策略的構(gòu)建
    3.1 VWAP優(yōu)化策略預(yù)測建模分析
        3.1.1 VWAP策略模型分析
        3.1.2 基于交易量預(yù)測的VWAP優(yōu)化策略設(shè)計
    3.2 日內(nèi)交易量因素分解建模
        3.2.1 日內(nèi)周期成分(?)_i的設(shè)定與計算
        3.2.2 日內(nèi)動態(tài)非周期成分g_(t,i)的設(shè)定與計算
        3.2.3 低頻成分τ_(t,i)的設(shè)定與計算
    3.3 參數(shù)估計
    3.4 本章小結(jié)
第四章 VWAP優(yōu)化策略的實例驗證分析
    4.1 數(shù)據(jù)來源與分析
        4.1.1 數(shù)據(jù)來源描述
        4.1.2 日內(nèi)交易量數(shù)據(jù)分析
    4.2 VWAP交易策略的實例驗證
        4.2.1 數(shù)據(jù)的預(yù)處理
        4.2.2 策略驗證結(jié)果
        4.2.3 驗證結(jié)果分析
    4.3 本章小結(jié)
第五章 全文總結(jié)與展望
    5.1 全文總結(jié)
    5.2 不足與展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]Intraday Volume Percentages Forecasting Using a Dynamic SVM-Based Approach[J]. LIU Xiaotao,LAI Kin Keung.  Journal of Systems Science ＆ Complexity. 2017(02)
[2]基于成交量分解模型的改進(jìn)VWAP策略[J]. 夏暉,楊岑.  運籌與管理. 2017(02)
[3]基于動態(tài)交易量預(yù)測的VWAP算法交易賣出策略[J]. 姚海博,茹少峰,張文明.  運籌與管理. 2015(02)
[4]算法交易的市場影響研究[J]. 王宇超,李心丹,劉海飛.  管理科學(xué)學(xué)報. 2014(01)
[5]基于金融指標(biāo)對中國GDP的混頻預(yù)測分析[J]. 鄭挺國,尚玉皇.  金融研究. 2013 (09)
[6]算法交易的興起及最新研究進(jìn)展[J]. 陳夢根.  證券市場導(dǎo)報. 2013(09)
[7]基于市場沖擊成本與機會成本的算法交易策略[J]. 燕汝貞,李平,曾勇.  管理學(xué)報. 2012(07)
[8]算法交易及在中國資本市場的應(yīng)用前景[J]. 劉逖,盧濤.  上海金融. 2012(01)
[9]基于非對稱效應(yīng)ACD模型和分時VWAP算法對A股市場算法交易的量化分析研究[J]. 方兆本,鎮(zhèn)磊.  中國科學(xué)技術(shù)大學(xué)學(xué)報. 2011(09)
[10]中國宏觀經(jīng)濟混頻數(shù)據(jù)模型應(yīng)用——基于MIDAS模型的實證研究[J]. 劉金全,劉漢,印重.  經(jīng)濟科學(xué). 2010(05)

博士論文
[1]中國宏觀經(jīng)濟混頻數(shù)據(jù)模型的研究與應(yīng)用[D]. 劉漢.吉林大學(xué) 2013

碩士論文
[1]基于機器學(xué)習(xí)方法的動態(tài)日內(nèi)成交量比例預(yù)測的VWAP算法[D]. 張帥.山東大學(xué) 2019
[2]基于Gamma分布的VWAP算法研究及實證[D]. 馬原.南京大學(xué) 2018
[3]基于適應(yīng)性交易量預(yù)測的VWAP算法交易研究[D]. 黃盈.南京大學(xué) 2016
[4]基于模擬股票市場的算法交易執(zhí)行成本和市場質(zhì)量研究[D]. 張昶煜.南京大學(xué) 2011



本文編號：3707336