基于LSTM神经网络模型的因子选股策略研究

发布时间：2021-01-07 17:52

　　量化投资具体理论的提出距今已经近七十年的历史,量化投资的策略也经历一系列的演变。如今随着高性能计算机的普及,人工智能开始在各个领域施展自己的威力。其中最近几年机器学习领域在深度神经网络方面也取得了重大技术性突破并应用到了量化投资领域之中。在量化投资领域中,对于深度学习模型应用的探究也是循序渐进的。从传统神经模型（ANN）到传统循环神经模型（RNN）再到长短期记忆网络模型（LSTM）的过程中,理论模型分别解决了引入时间序列、长时间记忆训练以及缓解梯度爆炸等多种问题。本文就是基于LSTM神经网络模型对选取的因子进行训练和合成,并用合成后的因子进行量化投资。在研究方法方面,本文借鉴了因子选股模型的理论,通过选取估值因子、成长性因子、财务质量因子等不同大类因子70个,来进行因子的训练和合成。在因子处理方面,本文使用了缩尾处理、中性化以及标准化剔除异常数据,保证了数据的平稳性。在模型结果分析上采用了正确率变化、AUC变化和损失率变化验证模型的实用性,证实了模型具有一定的区分度。在创新性上,由于神经网络模型固有的“黑箱子”属性,使得其在模型的可解释性上一直受诟病。本文在优矿平台的环境下,使用Pyt... 

【文章来源】：辽宁大学辽宁省 211工程院校

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图0-1技术路线图

图 1-2 RNN 循环展开图图 1-2 所示就是将统一神经元 A 按照时间[0,t]进行展开，链式结构的特征揭示了 RNN 本质上是与序列和列表相关的。在这个过程中我们可以看成是不同时间点下，整个神经元的运作情况。在 0 时刻输入变量 在神经元中进行处理并输入为 。这个过程并没有结束，整个过程进入到 1 时刻。因此在 1 时刻中，影响输出结果的不仅仅有输入变量 ，还包括前一时刻的结果。这样使得 RNN 具有以时间展开的特性，并适合金融领域中对于时间序列数据处理的要求。我们将这个过程放在更复杂一些的情况中进行考虑，如图 1-3 所示。

RNN包含循环

【参考文献】：
期刊论文
[1]基于分位数回归的多因子选股策略研究[J]. 周亮.  西南大学学报(自然科学版). 2019(01)
[2]多因子量化选股模型与择时策略[J]. 王春丽,刘光,王齐.  东北财经大学学报. 2018(05)
[3]基于LSTM神经网络的黑色金属期货套利策略模型[J]. 龙奥明,毕秀春,张曙光.  中国科学技术大学学报. 2018(02)
[4]基于多因子模型的量化选股分析[J]. 徐景昭.  金融理论探索. 2017(03)
[5]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)
[6]影响股票收益的基本面因子略探——基于中小板上市公司的实证分析[J]. 周亮.  金融理论与实践. 2017(02)
[7]美国扩张性货币政策对中国通胀的影响——基于深度长短期记忆神经网络的分析[J]. 金雪军,曹赢.  上海金融. 2016(03)
[8]基于多尺度组合模型的铜价预测研究[J]. 王书平,胡爱梅,吴振信.  中国管理科学. 2014(08)
[9]基于相空间重构理论与递归神经网络相结合的股票短期预测方法[J]. 马千里,郑启伦,彭宏,钟谭卫.  计算机应用研究. 2007(04)
[10]基于小波神经网络的时间序列预报方法及应用[J]. 吕淑萍,赵咏梅.  哈尔滨工程大学学报. 2004(02)

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]基于LSTM深度神经网络的股市时间序列预测精度的影响因素研究[D]. 毛景慧.暨南大学 2017
[3]基于回归法的多因子选股模型的投资组合分析[D]. 司晓彤.青岛大学 2017
[4]我国A股市场多因子量化选股模型实证分析[D]. 朱晨曦.首都经济贸易大学 2017
[5]PCA和随机森林在BARRA量化对冲模型中的应用研究[D]. 史卫峰.西安科技大学 2017
[6]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016



本文编号：2962982