基于LSTM的股票预期收益研究
发布时间：2020-12-06 17:00
预期收益的研究是风险管理与对冲操作的一大风向标。提高预期收益预测的能力,对研究本国金融市场特征下影响预期收益的风险因子适用性,具有一定的辅助作用。本文对预期收益的研究主要包括了以下四部分:第一部分采用在处理金融时序上具有明显优势的LSTM神经网络模型,对研究对象进行模型的构建及诊断,设计在不同隐含层下,不同神经元个数对模型的拟合效果,将得到的LSTM神经网络模型进行优化,使其避免出现过拟合、欠拟合的训练效果。可以得到的结论:一、数据的非平稳性是降低LSTM神经网络模型预测性能的原因之一;二、整体来看LSTM的预测精度随隐含层数呈同向变化,随输入跨度呈反向变化,而对层神经元的个数影响波动较大,未成规律变化趋势。第二部分首先通过前述初步构建的LSTM模型预测沪深300指数的价格和收益率。研究发现多变量输入的LSTM模型在预测收益率上,预测效果优于预测收盘价的单变量输入LSTM模型。其次采用多变量输入的LSTM模型对沪深300指数的部分成分股进行了预测分析,得到不同股票特征的预测效果存在差异。再次,构建了基于LSTM模型预测个股趋势的买入卖出策略组合进行回测,结果表明LSTM模型能够给策略组...
【文章来源】：北方工业大学北京市
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 预期收益的研究
1.2.2 深度学习在金融市场应用的研究
1.2.3 价格预测的研究
1.3 研究的内容与框架
1.4 技术线路图
第二章 LSTM神经网络建模方法
2.1 LSTM神经网络原理及结构
2.1.1 LSTM核心思想
2.1.2 LSTM神经网络结构
2.2 LSTM神经网络算法
2.2.1 时序反向传播算法（BPTT）
2.2.2 权重梯度计算
2.3 模型设计和诊断
2.3.1 数据说明
2.3.2 单变量输入LSTM模型
2.3.3 多变量输入LSTM模型
2.3.4 LSTM网络结构设计及优化
第三章 基于LSTM股指及其成分股的价格预测
3.1 LSTM神经网络模型股指价格的预测
3.1.1 数据平稳性研究
3.1.2 不同参数组对股指预测的影响
3.1.3 单变量输入LSTM预测股指趋势
3.1.4 多变量输入LSTM预测股指趋势
3.2 LSTM模型预测成分股价格
3.2.1 沪深300指数成分股选取
3.2.2 成分股预测结果
3.2.3 回测交易结果
3.3 预测模型的比较分析
第四章 基于多因子模型的股票预期收益研究
4.1 多因子模型
4.2 基于Fama-French三因子预期收益研究
4.2.1 Fama-French三因子在A股市场上的验证
4.2.2 三因子分析
4.2.3 沪深300成分股的Fama-French三因子策略回测结果
4.3 基于六因子模型对A股的实证研究
4.3.1 因子选取与构建
4.3.2 fama-macbeth回归结果分析
第五章 LSTM预测与因子时效性的组合对预期收益的影响
5.1 因子的特征分析
5.2 因子的时序分析
5.3 LSTM预测与因子择时选股策略组合的实证研究
第六章 结论与展望
6.1 主要结论及创新
6.1.1 主要结论
6.1.2 创新
6.2 不足之处
参考文献
在学期间的研究成果
致谢
【参考文献】：
期刊论文
[1]多因子量化模型在投资组合中的应用——基于LASSO与Elastic Net的比较研究[J]. 谢合亮,胡迪. 统计与信息论坛. 2017(10)
[2]Fama-French五因子模型在中国股票市场的实证检验[J]. 李志冰,杨光艺,冯永昌,景亮. 金融研究. 2017(06)
[3]全球市场一体化——全球情景下Fama-French三因子模型检验[J]. 杨金海,范黎波. 技术经济. 2017(06)
[4]深度学习的金融实证应用:动态、贡献与展望[J]. 苏治,卢曼,李德轩. 金融研究. 2017(05)
[5]股市特质风险与股票收益率相关关系的实证研究[J]. 熊伟,陈浪南,柯忠义. 管理工程学报. 2017(02)
[6]基于人工神经网络的沪锌期货价格预测研究[J]. 林杰,龚正. 财经理论与实践. 2017(02)
[7]基于DBN的金融时序数据建模与决策[J]. 曾志平,萧海东,张新鹏. 计算机技术与发展. 2017(04)
[8]一种新的金融动态横截面估计方法——基于中国股票市场条件定价模型评估的应用与扩展[J]. 张翔,宋平,李伦一. 管理科学学报. 2017(01)
[9]基于近邻互信息的SVM-GARCH股票价格预测模型研究[J]. 张贵生,张信东. 中国管理科学. 2016(09)
[10]风格择时能力对基金绩效的影响研究[J]. 易力,胡振华. 管理评论. 2016(04)
本文编号：2901727
【文章来源】：北方工业大学北京市
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 预期收益的研究
1.2.2 深度学习在金融市场应用的研究
1.2.3 价格预测的研究
1.3 研究的内容与框架
1.4 技术线路图
第二章 LSTM神经网络建模方法
2.1 LSTM神经网络原理及结构
2.1.1 LSTM核心思想
2.1.2 LSTM神经网络结构
2.2 LSTM神经网络算法
2.2.1 时序反向传播算法（BPTT）
2.2.2 权重梯度计算
2.3 模型设计和诊断
2.3.1 数据说明
2.3.2 单变量输入LSTM模型
2.3.3 多变量输入LSTM模型
2.3.4 LSTM网络结构设计及优化
第三章 基于LSTM股指及其成分股的价格预测
3.1 LSTM神经网络模型股指价格的预测
3.1.1 数据平稳性研究
3.1.2 不同参数组对股指预测的影响
3.1.3 单变量输入LSTM预测股指趋势
3.1.4 多变量输入LSTM预测股指趋势
3.2 LSTM模型预测成分股价格
3.2.1 沪深300指数成分股选取
3.2.2 成分股预测结果
3.2.3 回测交易结果
3.3 预测模型的比较分析
第四章 基于多因子模型的股票预期收益研究
4.1 多因子模型
4.2 基于Fama-French三因子预期收益研究
4.2.1 Fama-French三因子在A股市场上的验证
4.2.2 三因子分析
4.2.3 沪深300成分股的Fama-French三因子策略回测结果
4.3 基于六因子模型对A股的实证研究
4.3.1 因子选取与构建
4.3.2 fama-macbeth回归结果分析
第五章 LSTM预测与因子时效性的组合对预期收益的影响
5.1 因子的特征分析
5.2 因子的时序分析
5.3 LSTM预测与因子择时选股策略组合的实证研究
第六章 结论与展望
6.1 主要结论及创新
6.1.1 主要结论
6.1.2 创新
6.2 不足之处
参考文献
在学期间的研究成果
致谢
【参考文献】：
期刊论文
[1]多因子量化模型在投资组合中的应用——基于LASSO与Elastic Net的比较研究[J]. 谢合亮,胡迪. 统计与信息论坛. 2017(10)
[2]Fama-French五因子模型在中国股票市场的实证检验[J]. 李志冰,杨光艺,冯永昌,景亮. 金融研究. 2017(06)
[3]全球市场一体化——全球情景下Fama-French三因子模型检验[J]. 杨金海,范黎波. 技术经济. 2017(06)
[4]深度学习的金融实证应用:动态、贡献与展望[J]. 苏治,卢曼,李德轩. 金融研究. 2017(05)
[5]股市特质风险与股票收益率相关关系的实证研究[J]. 熊伟,陈浪南,柯忠义. 管理工程学报. 2017(02)
[6]基于人工神经网络的沪锌期货价格预测研究[J]. 林杰,龚正. 财经理论与实践. 2017(02)
[7]基于DBN的金融时序数据建模与决策[J]. 曾志平,萧海东,张新鹏. 计算机技术与发展. 2017(04)
[8]一种新的金融动态横截面估计方法——基于中国股票市场条件定价模型评估的应用与扩展[J]. 张翔,宋平,李伦一. 管理科学学报. 2017(01)
[9]基于近邻互信息的SVM-GARCH股票价格预测模型研究[J]. 张贵生,张信东. 中国管理科学. 2016(09)
[10]风格择时能力对基金绩效的影响研究[J]. 易力,胡振华. 管理评论. 2016(04)
本文编号：2901727
本文链接：https://www.wllwen.com/jingjilunwen/hongguanjingjilunwen/2901727.html
