融合特征学习与神经网络的资产定价模型

发布时间：2023-07-26 19:53

　　智能量化投资是我国金融业高质量发展的重要组成部分,是金融科技发展的必然趋势。近些年,以神经网络为代表的机器学习方法广泛应用于量化投资,然而深度神经网络难以训练,效果不稳定,可解释性较差,且与图像识别等领域相比,金融数据信噪比低,噪声大,导致单一神经网络在因子投资中并未取得预期效果。有鉴于此,本文构建了一个基于浅层神经网络、融合无监督学习的非线性资产定价模型,并对包含前馈神经网络在内的五种模型,从统计绩效与投资绩效两方面进行比较性分析,最后,引入可解释机器学习中两种与模型无关的可解释性方法对模型的可解释性进行初步探索。本文收集了2008年10月至2018年9月A股市场医药制造行业的96个异象因子,并以此为样本构建异象因子集合进行实证分析,统计绩效实证结果表明:在股票横截面预测和沪深300医药指数组合预测中,所有的模型均能实现良好的预测效果,无监督学习对异象因子集合的特征学习能够有效改善单一前馈神经网络模型的效果,且非线性无监督学习(KPCA和AE)的特征学习效果显著优于线性无监督特征学习(PCA),说明了特征学习在机器学习应用于实证金融领域的必要性,且非线性无监督学习具有一定的优势。投资...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 文献综述
        1.2.1 异象因子的有效性研究
        1.2.2 机器学习模型有效性研究
        1.2.3 文献评述
    1.3 研究内容及创新点
        1.3.1 研究内容
        1.3.2 研究创新点
第二章 相关理论介绍
    2.1 前馈神经网络
    2.2 主成分分析
    2.3 核主成分分析
    2.4 谱聚类
    2.5 自编码器
第三章 模型构建与研究设计
    3.1 非线性资产定价模型
    3.2 研究设计
第四章 实证研究
    4.1 数据来源
    4.2 统计绩效评估
        4.2.1 个股预测
        4.2.2 模型比较
        4.2.3 组合预测
    4.3 投资绩效评估
    4.4 探索非线性资产定价模型的可解释性
        4.4.1 因子重要性测度
        4.4.2 黑盒模型的可视化
第五章 总结与展望
    5.1 研究结论
    5.2 研究展望
参考文献
附录 A
攻读学位期间获得的科研成果
致谢



本文编号：3837451