基于HMM模式的选股模型及应用

发布时间：2020-03-18 06:18

【摘要】：证券价格受极其复杂因素影响,一般对证券价格趋势分析时,需要市场走势、行业走势和个股走势多阶段、多形态分析判断,由此可认为条件随机场理论适合解决此类金融问题。而条件随机场的隐马尔可夫模型(HMM)在描述该过程的动态变化方面相对其他模式识别工具具备明显的优势,故采用HMM模型来研究解决股票投资中的选股问题。论文首先将指数成份股周收益率为正的股票命名为“上涨”类股票,其它的就命名为“下跌”类股票。接着选取了(收盘价-开盘价)/开盘价、(最高价-开盘价)/开盘价、(开盘价-最低价)/开盘价、每日换手率、(收盘价-昨日收盘价)/昨日收盘价和流通市值六个观测指标,使用前十日的观测时间序列,对“上涨”和“下跌”类股票时间序列分别进行了HMM模型的训练,得到“上涨”HMM_1模型和“下跌”HMM_2模型。再用训练出的HMM_1模型和HMM_2模型计算股票新观测时间序列似然值,即股票的“上涨”选股因子值y_1和“下跌”选股因子值y_2,综合设计出“上涨”条件选股因子值y。为检验选股因子的有效性,论文测试和比较了多个“选股因子”的信息系数(IC),选取IC显著的“选股因子”作为最终的选股指标,按此“选股因子”值排名靠前的股票为投资组合,并应用在市场中性和行业中性量化对冲策略设计中。最后,为进一步改进投资策略,论文引进了“熵”来度量行业“上涨”和“下跌”的一致性热度,最终构建了基于行业熵配资的量化对冲行业偏中性策略。论文对2016年1月1日至2018年8月30日的时间序列数据进行了实证分析。首先采集了沪深300指数成份股55日股票观测数据(10组十日六个特征值时间序列观测数据和匹配的周收益率数据样本)训练HMM模型,对“选股因子”的IC序列均值进行统计检验,结果显示“上涨”条件选股因子IC均值显著,再以此因子值选取在行业排靠前的股票为投资组合设计成行业中性量化对冲投资策略,以滚动式推进模式模拟了历史投资效果,取得可观的收益效果。为提升投资收益,建立了基于行业熵配资的行业偏中性量化对冲投资策略,经过历史的测试在原策略基础上取得更好的年化收益率以及更高的夏普比,充分说明运用HMM模型建立的基于行业熵配资的量化对冲策略在理论研究中有探索价值,且在金融投资实践中具有指导价值。
【图文】：

密度,峰值,硕士学位论文,华南理工大学

华南理工大学硕士学位论文 1, 00, 0xxx i 为 ,,iSSiij Sj Iiiij Sj Imin d Imax d I 为ix 与密度大于i 的点的最小距离。结果基于密度峰值加k mea法过程如图 2-2：

示意图,模型训练,交易日,方式

第三章 HMM 建模过程及投资策略设计这是模型待确定的一个超参数。在设计策略建立模型时，在 t 交易日，我们的目标是预测每个成份股在 t+5 交易日相对于当前股价的涨跌情况，由于调仓周期为 5 个交易日，，我们根据模型训练的折中预测性假设观测序列长度取 10，测试集内每个个股的观测序列为 t 9 ~t交易日共 10 天的观测值，每一天共有 6 个特征即 6个观测值。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F830.91;F224

【参考文献】