【摘要】：自從股票及期貨市場誕生以來,人們就一直不斷使用各種數據模型、機器學習以及數據挖掘等方法來預測股票價格的未來走勢從而獲取收益。其中神經網絡機器學習算法被廣泛使用,這是由于神經網絡自身的高度自學習性,穩(wěn)定性以及非線性擬合能力,相比于統(tǒng)計學以及計量經濟學中的數學模型,神經網絡用于預測金融時間序列更具優(yōu)勢。在全球股票市場中電子化交易平臺發(fā)揮著越來越重要的作用,量化交易規(guī)模不斷增加。西方國家很多投資機構都在使用量化交易,其表現出程序化交易等特點,獲得廣泛關注。中國證券市場采取T+1交易制度,所以本文選取期貨市場中的股指期貨作為研究對象,使用神經網絡技術、EMD(Empirical Mode Decomposition,經驗模態(tài)分解)技術進行量化建模,提出EMD-NAR量化擇時策略,并對其進行深入研究,并與量化交易系統(tǒng)中常用的雙均線交易系統(tǒng)、DualThrust交易系統(tǒng)進行對比回測,通過實際測試發(fā)現,EMD-NAR量化擇時策略在各項指標上均大幅優(yōu)于雙均線交易系統(tǒng)、DualThrust交易系統(tǒng),是一種非常適用于短線交易的量化交易系統(tǒng)。本文突破了傳統(tǒng)的使用神經網絡對價格預測的慣性思維,轉而尋找利用神經網絡實現對量化交易策略的實現方法。首先提出使用EMD算法對原始時間序列進行分解,并從其分解出的本征模函數中組合出處處連續(xù)可導的低頻趨勢項,使用神經網絡對低頻趨勢項進行預測,達到了極佳的擬合效果。而后從EMD算法分解出的本征模函數中組合出高頻噪聲項,并對其進行了特性分析,得到了其均值回歸的特性,并進一步運用在擇時交易里。最后結合EMD算法和NAR(Nonlinear Auto Regressive models非線性自回歸網絡)神經網絡設計出了EMD-NAR量化擇時策略,對低頻趨勢項使用NAR神經網絡進行預測,對高頻噪聲項使用其均值回歸原理進行分析,綜合兩方因素發(fā)出交易信號實現了高勝率、穩(wěn)定回報的量化擇時策略。
【圖文】：

圖 1 物神 元結 圖生物神經元之間彼此連接、通信的接口，一個生物神經元細物神經元細胞的樹突彼此接觸的分解點，其位于生物神經元經元的突觸是軸突的終點。可認為是一千多億個神經元細胞組合而成的神經網絡。生物認為是一種電化學作用。樹突神經由于電化學活動接受到內的生物活動表現出軸突電位，一旦軸突電位達到了一定的信號或動作信號；而后通過軸突末梢繼續(xù)傳遞給其它的神經度來看；這種過程可被認為是一個多輸入、單輸出的非線性：，有些研究人員闡述了 M-P 模型，M-P 模型可以實現面對生

生物神經元在很多方面都類似于 MP 模型，我們將其類比具體如下：圖 3 物神 元和 MP 模型的類比圖2) 激活函數：激活函數在本次課題研究中具體被視為濾波器，其可以實現對外界多種信號的接收，其對函數進行調整，然后實現期望值的輸出。ANN 主要使用了以下的激活函數:ANN 主要使用了閾值函數；ANN 主要使用了分段函數；ANN 主要使用了雙極性連續(xù)函數。3) 學習算法:神經網絡可以進行自我學習，，通常情況下我們將其視為訓練，指導思想具體如下：
【學位授予單位】：深圳大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：F724.5;F323.7;F832.5;TP183

【參考文獻】

相關期刊論文 前10條

1 蔡琛;;淺析我國資產證券化的發(fā)展現狀[J];對外經貿;2015年05期

2 王建國;;基于BP神經網絡的股票價格反轉點預測[J];現代計算機(專業(yè)版);2015年05期

3 郝旭光;;證券市場監(jiān)管者非理性行為研究[J];中央財經大學學報;2015年02期

4 陳海強;張傳海;;股指期貨交易會降低股市跳躍風險嗎?[J];經濟研究;2015年01期

5 李鈺;費為銀;石學芹;李娟;;在部分信息下股票收益服從隱馬爾科夫模型的最優(yōu)交易策略[J];東華大學學報(自然科學版);2012年06期

6 朱洪甲;;中國股指期貨市場混沌特征實證分析[J];經營管理者;2012年09期

7 黃曉彬;王春峰;房振明;熊春連;;基于隱馬爾科夫模型的中國股票信息探測[J];系統(tǒng)工程理論與實踐;2012年04期

8 羅洎;王瑩;;股指期貨對證券市場波動性和流動性的影響——基于中國市場的經驗研究[J];宏觀經濟研究;2011年06期

9 嚴太華;陳明玉;;基于馬爾科夫切換模型的上證指數周收益率時間序列分析[J];中國管理科學;2009年06期

10 唐平;劉燕;;基于宏觀經濟變量的中國股市波動分析[J];財經科學;2008年06期

相關博士學位論文 前2條

1 李嵩松;基于隱馬爾可夫模型和計算智能的股票價格時間序列預測[D];哈爾濱工業(yè)大學;2011年

2 汪東;基于支持向量機的選時和選股研究[D];上海交通大學;2007年

相關碩士學位論文 前3條

1 鄭小雪;基于模式挖掘及人工神經網絡的量化投資實證研究[D];浙江大學;2015年

2 胡增圣;數據挖掘方法與股價預測[D];中國科學技術大學;2015年

3 王義;基于資金流向分析的股票短期投資決策研究[D];西南交通大學;2010年

本文編號：2657455