基于MLP神经网络的全球半导体行业选股策略研究
发布时间：2021-07-01 15:04
为推动我国半导体产业的发展,各地方政府纷纷设立了半导体基金,在政府的带动作用下,社会资本也大量涌入。半导体投资的初衷是推动我国该产业的快速发展,但实际上却并没有起到多大的效果,国内对部分标的物的盲目、重复投资和部分领域投资过热的现象,反而推高了半导体的PE估值。显然,国内的半导体投资中存在着一些问题和痛点。因此本文将视野拓展到全球半导体行业,来看清国内存在的问题,结合机器学习算法来预测全球半导体股票的涨跌,进行产业链选股,以此来解决国内半导体投资难题。本文要解决的问题是如果一只基金的一部分资金用于投资半导体行业,那么该选择哪些股票以及如何去选。为研究该问题,通过对半导体行业的分析,本文选取了全球半导体行业所有股票的52个指标从2008年到2018年的年度数据,进行实证研究。经过数据预处理和特征选择后,将2008年至2014年的数据作为训练集,2015年至2018年数据作为测试集,分类标签为股票下一年的涨跌。通过构建MLP神经网络对股票的涨跌进行预测,同时将XGBoost和随机森林算法作为对比,并通过调整模型参数和特征选择对模型进行优化。分别从分类能力、泛化能力和算法效率三个方面对模型进...
【文章来源】：上海师范大学上海市
【文章页数】：104 页
【学位级别】：硕士
【部分图文】：
技术路线图
文献综述与相关理论上海师范大学硕士学位论文14多因子选股的不足之处在于，任何一个多因子选股模型都具有一定的时效性、风险性，需要使用者根据市场情况进行调整和更新。2.2.3相关算法理论（1）MLP神经网络理论神经网络是仿生物神经网络而来的一种技术，通过连接多个特征值，经过线性和非线性的组合，最终达到一个目标。这个目标可以是识别一只股票是涨是跌，或者属于哪个分布。MLP即全连接神经网络，又名多层感知器，除了输入层、输出层，它中间可以有多个隐含层，隐含层的存在可以解决非线性可划分的数据问题。最简单的MLP模型只包含一个隐含层，即三层的结构，如下图：图2-1只有一个隐含层的MLP模型图2-2MLP模型的简化结构从上图可以看到，多层感知器的层与层之间是全连接的，上一层的任何一个神经元与下一层的所有神经元都有连接。多层感知器最底层是输入层，中间是隐含层，最后是输出层。输入层如果输入的是一个n维向量，就有n个神经元。由于隐含层的神经元与输入层是全连接的，假设输入层用向量X表示，则隐含层的输出就是11f(WX+b)，1W是权重，也叫连接系数，1b是偏置，函数f可以是常用的sigmoid函数或者tanh函数，其中sigmoid函数的公式为：1()1asigmoidae=+(2-1)
文献综述与相关理论上海师范大学硕士学位论文14多因子选股的不足之处在于，任何一个多因子选股模型都具有一定的时效性、风险性，需要使用者根据市场情况进行调整和更新。2.2.3相关算法理论（1）MLP神经网络理论神经网络是仿生物神经网络而来的一种技术，通过连接多个特征值，经过线性和非线性的组合，最终达到一个目标。这个目标可以是识别一只股票是涨是跌，或者属于哪个分布。MLP即全连接神经网络，又名多层感知器，除了输入层、输出层，它中间可以有多个隐含层，隐含层的存在可以解决非线性可划分的数据问题。最简单的MLP模型只包含一个隐含层，即三层的结构，如下图：图2-1只有一个隐含层的MLP模型图2-2MLP模型的简化结构从上图可以看到，多层感知器的层与层之间是全连接的，上一层的任何一个神经元与下一层的所有神经元都有连接。多层感知器最底层是输入层，中间是隐含层，最后是输出层。输入层如果输入的是一个n维向量，就有n个神经元。由于隐含层的神经元与输入层是全连接的，假设输入层用向量X表示，则隐含层的输出就是11f(WX+b)，1W是权重，也叫连接系数，1b是偏置，函数f可以是常用的sigmoid函数或者tanh函数，其中sigmoid函数的公式为：1()1asigmoidae=+(2-1)
【参考文献】：
期刊论文
[1]我国半导体显示产业财政补贴效应及研发效率研究[J]. 张振华. 工业技术经济. 2020(02)
[2]基于PSO-MLP神经网络的遥信插件质量识别方法研究[J]. 陈东阳. 电力系统保护与控制. 2020(03)
[3]基于神经网络的股票预测模型[J]. 乔若羽. 运筹与管理. 2019(10)
[4]基于全连接神经网络的雷达目标航迹识别[J]. 冯诀宵,樊玉琦. 东北师大学报(自然科学版). 2019(03)
[5]基于神经网络的股票收益率预测研究[J]. 潘水洋,刘俊玮,王一鸣. 浙江大学学报(理学版). 2019(05)
[6]基于EMD改进的Elman神经网络对股票的短期预测模型[J]. 吴曼曼,徐建新. 计算机工程与科学. 2019(06)
[7]深度学习神经网络的新型自适应激活函数[J]. 刘宇晴,王天昊,徐旭. 吉林大学学报(理学版). 2019(04)
[8]基于神经网络集成学习股票预测模型的研究[J]. 谢琪,程耕国,徐旭. 计算机工程与应用. 2019(08)
[9]基于沪深300成分股的量化投资策略研究[J]. 吕凯晨,闫宏飞,陈翀. 广西师范大学学报(自然科学版). 2019(01)
[10]时态神经网络模型及其在股票分类预测上应用[J]. 邱一豪,孟志青. 计算机工程与应用. 2019(15)
硕士论文
[1]深度森林在股指涨跌预测和投资策略中的应用[D]. 许美莹.山东大学 2019
[2]基于XGBoost的基本面量化模型[D]. 李杨.山东大学 2019
[3]NARX动态神经网络的择时策略研究[D]. 陈婷.上海师范大学 2019
[4]基于LightGBM算法的量化选股策略方案策划[D]. 姜加才.上海师范大学 2019
[5]高频交易下股票技术分析的策略优化[D]. 刘忠仁.上海师范大学 2019
[6]基于神经网络方法的A股市场多因子选股策略研究[D]. 吴玉海.电子科技大学 2018
[7]面向A股的基本面量化交易策略的设计[D]. 陈子宁.电子科技大学 2018
[8]基于Bagging算法优化MLP神经网络量化选股[D]. 范振宇.上海师范大学 2018
[9]基于AdaBoost算法的Alpha组合研究[D]. 龚利琴.郑州大学 2018
[10]多因子选股模型在A股市场上的实证研究[D]. 苏靖宇.安徽大学 2018
本文编号：3259360
【文章来源】：上海师范大学上海市
【文章页数】：104 页
【学位级别】：硕士
【部分图文】：
技术路线图
文献综述与相关理论上海师范大学硕士学位论文14多因子选股的不足之处在于，任何一个多因子选股模型都具有一定的时效性、风险性，需要使用者根据市场情况进行调整和更新。2.2.3相关算法理论（1）MLP神经网络理论神经网络是仿生物神经网络而来的一种技术，通过连接多个特征值，经过线性和非线性的组合，最终达到一个目标。这个目标可以是识别一只股票是涨是跌，或者属于哪个分布。MLP即全连接神经网络，又名多层感知器，除了输入层、输出层，它中间可以有多个隐含层，隐含层的存在可以解决非线性可划分的数据问题。最简单的MLP模型只包含一个隐含层，即三层的结构，如下图：图2-1只有一个隐含层的MLP模型图2-2MLP模型的简化结构从上图可以看到，多层感知器的层与层之间是全连接的，上一层的任何一个神经元与下一层的所有神经元都有连接。多层感知器最底层是输入层，中间是隐含层，最后是输出层。输入层如果输入的是一个n维向量，就有n个神经元。由于隐含层的神经元与输入层是全连接的，假设输入层用向量X表示，则隐含层的输出就是11f(WX+b)，1W是权重，也叫连接系数，1b是偏置，函数f可以是常用的sigmoid函数或者tanh函数，其中sigmoid函数的公式为：1()1asigmoidae=+(2-1)
文献综述与相关理论上海师范大学硕士学位论文14多因子选股的不足之处在于，任何一个多因子选股模型都具有一定的时效性、风险性，需要使用者根据市场情况进行调整和更新。2.2.3相关算法理论（1）MLP神经网络理论神经网络是仿生物神经网络而来的一种技术，通过连接多个特征值，经过线性和非线性的组合，最终达到一个目标。这个目标可以是识别一只股票是涨是跌，或者属于哪个分布。MLP即全连接神经网络，又名多层感知器，除了输入层、输出层，它中间可以有多个隐含层，隐含层的存在可以解决非线性可划分的数据问题。最简单的MLP模型只包含一个隐含层，即三层的结构，如下图：图2-1只有一个隐含层的MLP模型图2-2MLP模型的简化结构从上图可以看到，多层感知器的层与层之间是全连接的，上一层的任何一个神经元与下一层的所有神经元都有连接。多层感知器最底层是输入层，中间是隐含层，最后是输出层。输入层如果输入的是一个n维向量，就有n个神经元。由于隐含层的神经元与输入层是全连接的，假设输入层用向量X表示，则隐含层的输出就是11f(WX+b)，1W是权重，也叫连接系数，1b是偏置，函数f可以是常用的sigmoid函数或者tanh函数，其中sigmoid函数的公式为：1()1asigmoidae=+(2-1)
【参考文献】：
期刊论文
[1]我国半导体显示产业财政补贴效应及研发效率研究[J]. 张振华. 工业技术经济. 2020(02)
[2]基于PSO-MLP神经网络的遥信插件质量识别方法研究[J]. 陈东阳. 电力系统保护与控制. 2020(03)
[3]基于神经网络的股票预测模型[J]. 乔若羽. 运筹与管理. 2019(10)
[4]基于全连接神经网络的雷达目标航迹识别[J]. 冯诀宵,樊玉琦. 东北师大学报(自然科学版). 2019(03)
[5]基于神经网络的股票收益率预测研究[J]. 潘水洋,刘俊玮,王一鸣. 浙江大学学报(理学版). 2019(05)
[6]基于EMD改进的Elman神经网络对股票的短期预测模型[J]. 吴曼曼,徐建新. 计算机工程与科学. 2019(06)
[7]深度学习神经网络的新型自适应激活函数[J]. 刘宇晴,王天昊,徐旭. 吉林大学学报(理学版). 2019(04)
[8]基于神经网络集成学习股票预测模型的研究[J]. 谢琪,程耕国,徐旭. 计算机工程与应用. 2019(08)
[9]基于沪深300成分股的量化投资策略研究[J]. 吕凯晨,闫宏飞,陈翀. 广西师范大学学报(自然科学版). 2019(01)
[10]时态神经网络模型及其在股票分类预测上应用[J]. 邱一豪,孟志青. 计算机工程与应用. 2019(15)
硕士论文
[1]深度森林在股指涨跌预测和投资策略中的应用[D]. 许美莹.山东大学 2019
[2]基于XGBoost的基本面量化模型[D]. 李杨.山东大学 2019
[3]NARX动态神经网络的择时策略研究[D]. 陈婷.上海师范大学 2019
[4]基于LightGBM算法的量化选股策略方案策划[D]. 姜加才.上海师范大学 2019
[5]高频交易下股票技术分析的策略优化[D]. 刘忠仁.上海师范大学 2019
[6]基于神经网络方法的A股市场多因子选股策略研究[D]. 吴玉海.电子科技大学 2018
[7]面向A股的基本面量化交易策略的设计[D]. 陈子宁.电子科技大学 2018
[8]基于Bagging算法优化MLP神经网络量化选股[D]. 范振宇.上海师范大学 2018
[9]基于AdaBoost算法的Alpha组合研究[D]. 龚利琴.郑州大学 2018
[10]多因子选股模型在A股市场上的实证研究[D]. 苏靖宇.安徽大学 2018
本文编号：3259360
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3259360.html
