基于强化学习的配对交易投资策略实证研究

发布时间：2023-12-12 18:05

　　强化学习是一类解决序贯决策问题的机器学习方法,通过持续的“交互-试错”机制,实现智能体(Agent)和环境的不断交互,从而学得完成任务的最优策略。深度强化学习是将深度学习的感知能力与强化学习的决策能力相结合,可以在复杂高维的状态空间中进行端到端的感知决策。配对交易策略是一类经典的统计套利策略,其基本思想是利用证券资产价差的均值回复性进行统计套利。配对交易策略的分析框架包括:同行业配对、基本面配对、上下游产业链配对、同一公司不同交易所标的资产的配对等。本文将强化学习中的 DQN(Deep Q Network)、Double DQN、Prioritized Experience Replay(DQN)、Dueling DQN算法与配对交易策略相结合,充分利用强化学习自我学习、自我更新的算法优势,构造了一类具有人工智能属性的协整配对交易策略,并以美国股票市场和中国期货市场作为样本进行了实证研究。在基于美股市场的研究中,新策略的交易效果全面优于经典的配对交易投资策略(GGR)和其它基准策略。在夏普比率、年化收益率等指标上大幅提高,取得了更好的投资收益,同时具有更低的回撤,降低了投资风险;新策略...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与研究意义
    1.2 文献综述
        1.2.1 配对交易策略的相关研究
        1.2.2 基于深度学习或强化学习的配对交易策略的相关研究
        1.2.3 深度学习或强化学习应用于金融市场的相关研究
        1.2.4 文献评述
    1.3 研究内容与研究方法
    1.4 创新点及不足之处
        1.4.1 本文的创新点
        1.4.2 本文的不足之处
第二章 基于强化学习的配对交易投资模型的理论基础
    2.1 配对交易策略的基本原理
    2.2 强化学习算法的核心思想
        2.2.1 DQN (Deep Q Network)算法的基本原理
        2.2.2 Double DQN算法的基本原理
        2.2.3 Prioritized Experience Replay (DQN)算法的基本原理
        2.2.4 Dueling DQN算法的基本原理
第三章 基于强化学习的配对交易投资模型的设计与构建
    3.1 配对交易对的筛选
        3.1.1 股票配对交易对的筛选
        3.1.2 股指期货-股指ETF配对交易对的筛选
        3.1.3 配对方法的选择
    3.2 配对交易策略的设计
        3.2.1 配对交易策略的具体步骤
        3.2.2 基准策略的对照设置
        3.2.3 绩效评价指标的选取
    3.3 基于强化学习的配对交易投资模型的构建
第四章 基于强化学习的股票配对交易投资策略的实证分析
    4.1 特征选取与参数设置
        4.1.1 特征选取
        4.1.2 参数设置
    4.2 股票数据的获取与预处理
    4.3 股票交易对的筛选过程
        4.3.1 相关性分析
        4.3.2 协整检验
    4.4 实证结果分析
        4.4.1 基于深度强化学习的期货配对交易投资策略比较
        4.4.2 基于强化学习的配对交易策略的内部比较
        4.4.3 不同测试集间的比较
第五章 基于深度强化学习的期货配对交易投资策略的实证分析
    5.1 特征选取与神经网络结构
        5.1.1 特征选取
        5.1.2 神经网络结构
    5.2 股指期货和股指ETF数据的获取与预处理
    5.3 股指期货-股指ETF配对交易对的筛选过程
    5.4 实证结果分析
        5.4.1 基于深度强化学习的配对交易策略与其他配对交易策略的比较
        5.4.2 基于深度强化学习的配对交易策略的内部比较
第六章 总结与展望
    6.1 全文总结
    6.2 未来展望
参考文献
附录 A
在学期间研究成果
致谢



本文编号：3873371