量化投資近些年來越來越受到投資者的關(guān)注,尤其在中國,股票市場與期貨期權(quán)市場有著非常多的標的可以進行交易與投資。由于機器學習方法本身與量化投資的特點相契合,機器學習方法逐漸成為了量化投資的主流研究方向。怎樣將機器學習的優(yōu)點與量化投資相結(jié)合,并且盡量規(guī)避機器學習方法過擬合的缺點,成為了很多從業(yè)者所要解決的主要問題。本文主要從國內(nèi)較為活躍的商品期貨鐵礦石期貨主力連續(xù)合約入手,對其日線級別的數(shù)據(jù)進行建模,從價格與成交量等數(shù)據(jù)中提取出特征,并對特征進行進一步的超額收益有效性檢驗與刻畫市場價格狀態(tài)能力的篩選,然后構(gòu)造隨機森林模型對市場漲跌狀態(tài)進行預(yù)測,最后形成關(guān)于鐵礦石期貨的量化交易策略。本文首先介紹了量化投資、機器學習模型等領(lǐng)域的發(fā)展歷程,簡述了與實證部分相關(guān)的理論知識基礎(chǔ)。之后用鐵礦石的主力連續(xù)合約日線級別數(shù)據(jù)進行了實證研究。實證研究的第一步是構(gòu)建特征,這些特征的來源是鐵礦石日線級別的量價信息,接著使用非參數(shù)的bootstrap方法檢驗了每個特征對應(yīng)的超額收益有效性。然后,利用上一步篩選的結(jié)果,使用非監(jiān)督的隱馬爾科夫模型檢驗?zāi)男┨卣骺梢暂^好地刻畫市場的狀態(tài)。隨后,使用如上步驟篩選出的指標構(gòu)造模型對樣本外數(shù)據(jù)進行預(yù)測。最后,根據(jù)預(yù)測的結(jié)果形成最終的鐵礦石量化投資策略。本文的實證研究結(jié)果表明,本文所構(gòu)造的隨機森林模型在較短的時間尺度上可以達到較為良好的準確率,從量化策略的績效角度講可以獲得更高的收益與更低的最大回撤。這說明了有效地使用機器學習方法與量化策略相結(jié)合可以產(chǎn)生穩(wěn)定的超額收益。本文的研究結(jié)果有著一定的應(yīng)用價值,后續(xù)的研究也可以基于此進一步探索下去。
【學位單位】：山東大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：F724.5;F764.1
【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 文獻綜述
        1.2.1 國外文獻綜述
        1.2.2 國內(nèi)文獻綜述
    1.3 本文結(jié)構(gòu)與創(chuàng)新點
        1.3.1 本文結(jié)構(gòu)
        1.3.2 本文創(chuàng)新點
    1.4 本章小結(jié)
第二章 理論介紹
    2.1 量化投資
    2.2 bootstrap方法
    2.3 隱馬爾科夫模型
    2.4 隨機森林算法
    2.5 本章小結(jié)
第三章 實證研究思路簡介
    3.1 實證研究流程
        3.1.1 待選特征構(gòu)建
        3.1.2 非參數(shù)的bootstrap方法
        3.1.3 隱馬爾可夫模型
        3.1.4 隨機森林模型
        3.1.5 策略執(zhí)行模塊
    3.2 python函數(shù)說明
    3.3 本章小結(jié)
第四章 實證分析
    4.1 數(shù)據(jù)選取與說明
        4.1.1 數(shù)據(jù)選取
        4.1.2 數(shù)據(jù)描述
    4.2 實證研究過程與研究結(jié)果分析
        4.2.1 非參數(shù)bootstrap方法選擇具有顯著超額收益的特征
        4.2.2 隱馬爾科夫模型繪制價格狀態(tài)圖
        4.2.3 隨機森林模型預(yù)測市場漲跌變化
        4.2.4 策略設(shè)計與回測結(jié)果
    4.3 實證研究結(jié)果分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 不足與展望
附錄A 部分python代碼介紹
附錄B 隱馬爾科夫模型圖集
參考文獻
致謝
附件

【參考文獻】

相關(guān)博士學位論文 前8條

1 王國剛;基于二維高階HMM的彩色濾波陣列插值研究[D];南京郵電大學;2016年

2 張乾;基于隨機森林的視覺數(shù)據(jù)分類關(guān)鍵技術(shù)研究[D];華南理工大學;2016年

3 宋濤;基于譜隱馬爾可夫模型的蛋白質(zhì)序列模體識別方法研究[D];大連理工大學;2015年

4 張萬軍;基于大數(shù)據(jù)的個人信用風險評估模型研究[D];對外經(jīng)濟貿(mào)易大學;2016年

5 邢曉雙;認知無線電網(wǎng)絡(luò)中的頻譜預(yù)測技術(shù)研究[D];北京交通大學;2014年

6 雷震;隨機森林及其在遙感影像處理中應(yīng)用研究[D];上海交通大學;2012年

7 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(yù)測[D];哈爾濱工業(yè)大學;2011年

8 李寧;旋轉(zhuǎn)機械的測試信號分析及隱馬爾科夫模型應(yīng)用研究[D];重慶大學;2010年

相關(guān)碩士學位論文 前6條

1 史衛(wèi)峰;PCA和隨機森林在BARRA量化對沖模型中的應(yīng)用研究[D];西安科技大學;2017年

2 易軒;基于投資者情緒的股市隱馬爾科夫模型預(yù)測[D];華僑大學;2017年

3 洪淼波;隱馬爾可夫模型在量化交易中的應(yīng)用原理及其現(xiàn)實意義探究[D];北京外國語大學;2017年

4 林啟敏;基于隨機森林和QGA-SVR的量化選股研究[D];華南理工大學;2016年

5 韓燕龍;基于隨機森林的指數(shù)化投資組合構(gòu)建研究[D];華南理工大學;2015年

6 商曄;隱馬爾可夫模型參數(shù)訓練的改進及在股市預(yù)測中的應(yīng)用[D];上海交通大學;2011年

本文編號：2827969