基于卷积神经网络的行业分层选股策略

发布时间：2022-04-23 13:02

　　人工智能技术的进步重构了人们对数据的认知,人工智能分支之一的机器学习逐渐进入金融领域。机器学习算法纷繁复杂,不同算法在不同应用场景下表现各异。作为机器学习算法中的一种,卷积神经网络以其独特且有效的特征提取方式闻名,但在金融领域,特别是量化交易领域的应用研究甚少。如何将卷积神经网络应用到量化交易领域,且寻找其适用的场景成为本文研究的主要问题。本文首先结合机器学习和量化投资的发展历程提出研究问题,归纳研究意义,简述研究方法。接着,从机器学习、量化投资、机器学习与量化投资三个方面梳理发展历程,归纳并对比国内外研究状况,总结现有研究中的关键点与不足点。然后,对两个主要问题展开研究。本文研究的第一个问题是在明确结构设计的同时,卷积神经网络在“回归”与“分类”任务方面的表现。在该研究中,文章采用上证综指数据,通过将卷积神经网络与应用广泛的BP神经网络的回归结果对比,将卷积神经网络与支持向量机、随机森林的分类结果对比,分析将卷积神经网络应用在量化投资中的可行性。本文研究的第二个问题是基于卷积神经网络的行业分层选股策略。在该研究中,文章采用中国A股市场股票数据,经过数据预处理,首先根据行业月度收益率利... 

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 选题背景及研究问题
        1.1.1 选题背景
        1.1.2 研究问题与研究方法
    1.2 论文框架
    1.3 创新点
第二章 相关理论与研究综述
    2.1 机器学习概述
        2.1.1 卷积神经网络
        2.1.2 支持向量机
        2.1.3 随机森林
        2.1.4 BP神经网络
        2.1.5 聚类分析
        2.1.6 主成分分析法
        2.1.7 超参数选择
    2.2 量化投资与多因子模型
        2.2.1 多因子模型
        2.2.2 量化投资与多因子模型相关研究
    2.3 量化投资与机器学习
    2.4 本章小结
第三章 基于卷积神经网络的分类与回归
    3.1 引言
    3.2 数据预处理
    3.3 回归预测
        3.3.1 BP神经网络
        3.3.2 卷积神经网络
    3.4 分类预测
        3.4.1 支持向量机
        3.4.2 随机森林
        3.4.3 卷积神经网络
    3.5 本章小结
第四章 交易策略数据处理及模型训练
    4.1 引言
    4.2 数据收集与处理
        4.2.1 样本筛选
        4.2.2 数据预处理
    4.3 行业分层
    4.4 因子选取及模型训练
        4.4.1 因子有效性分析
        4.4.2 大金融行业
        4.4.3 成长行业
        4.4.4 消费行业
        4.4.5 周期行业
    4.5 本章小结
第五章 交易策略设计与回测
    5.1 引言
    5.2 大金融行业
    5.3 成长行业
    5.4 消费行业
    5.5 周期行业
    5.6 机器学习复合选股模型
        5.6.1 模型集成
        5.6.2 卷积神经网络模型集成
    5.7 稳健性检验
    5.8 本章小结
第六章 总结
致谢
参考文献


【参考文献】：
期刊论文
[1]基于卷积神经网络的股票市场择时模型——以上证综指为例[J]. 胡悦.  金融经济. 2018(04)
[2]基于LASSO和神经网络的量化交易智能系统构建——以沪深300股指期货为例[J]. 王宣承.  投资研究. 2014(09)

博士论文
[1]量化投资模型适应性研究[D]. 梁超.中央财经大学 2016

硕士论文
[1]A股市场多因子选股量化模型构建及其检验[D]. 费洋.浙江大学 2018
[2]通过神经网络对股票的趋势进行分析与分类[D]. 郑重.重庆大学 2017
[3]基于卷积神经网络的股票交易反转点与异常点检测[D]. 蔺晓.华中科技大学 2016
[4]因子选股模型在中国市场的实证研究[D]. 刘毅.复旦大学 2012



本文编号：3647229