基于深度学习的股票投资组合策略研究
发布时间：2021-10-05 06:26
随着上海证券交易所科创板和注册制的施行,我国资本市场制度会更加完善,发展必然更快。然而普通投资者面对的投资环境更加复杂,主要表现在我国经济发展进入新常态,增速放慢,房地产畸形发展带来金融风险增大,贸易战带来不确定因素增加。传统的投资组合工具越来越不适用。研究能适应中国市场新环境的新理论和新工具已经迫在眉睫。本文将深度学习的方法应用于选股,构造能够跑赢大盘的投资组合。方法的要点在于通过自编码器对股票池的价格信息进行降维处理,利用具有期权特征的人工神经网络激活函数对应于期货投资的特点,依据学习网络获得训练误差和测试误差的集合,构建出可以追踪指定输出序列的投资组合。选取沪深300指数为例,将输出端分别设置为沪深300指数和日收益率高于沪深300指数0.05%的虚拟指数,通过算法将258只稳定的成分股降维后构造相应的投资组合,并将2013年到2018年间的数据均匀地分成3个2年的区间,分别称为训练集,验证集和测试集。另外,利用最小追踪误差法和2013年至2016年的数据构建对比用的传统投资组合。测试结果表明在长期投资的情景下,在2017年至2018年的每个月,构造的深度投资组合可以大幅度击败沪...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
研究路线图
L2范数差，如图4-1所示。图4-1 600033.SH编码前后股价序列分别将 L2范数差最小和最大的个股——600033.SH与000661.SZ——的原版- 32 -
哈尔滨工业大学经济学硕士学位论文和编码版作图，如图4-2和图4-3。图4-2 600033.SH编码前后股价序列图4-3 000661.SZ编码前后股价序列可以发现，无论是公共信息最多的600033.SH，还是范数差最大的000661.SZ，其编码版本在形状上都有一定的扭曲，并且前者的扭曲看似更大，但是前者的纵轴如果和后者在同一尺度上，便显得其编码版本与原版曲线几乎重合，如图4-4.在下文中，我们分别取 X = 45,105,165 具体展示后续每一个步骤在决策系统中的具体表现。需要注意的是，这仅仅是三个用作展示的样本，并不代表决策将在 X = 45,105,165 仅仅三个取值范围内做出。4.3追踪沪深300指数4.3.1调整在调整步骤中
【参考文献】：
期刊论文
[1]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)
[2]基于高斯核支持向量机和遗传算法的优化组合研究[J]. 马静,李星野,徐荣. 经济数学. 2017(01)
[3]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)
[4]基于灰色神经网络的股票收益率预测[J]. 曹雷欣,孙红兵. 计算机与数字工程. 2017(01)
[5]短期利率波动测度与预测:基于混频宏观-短期利率模型[J]. 尚玉皇,郑挺国. 金融研究. 2016(11)
[6]基于在线核极限学习机的股票价格预测模型[J]. 陈海英,刘洋. 内蒙古师范大学学报(自然科学汉文版). 2015(02)
[7]基于PSO的神经网络优化证券投资组合方法研究[J]. 黄招娣,应宛月,余立琴,肖祥阔,罗佳. 华东交通大学学报. 2013(02)
[8]股票价格短期预测的LM遗传神经网络算法[J]. 肖菁,潘中亮. 计算机应用. 2012(S1)
[9]基于ARIMA-SVM组合模型的股票价格预测[J]. 程昌品,陈强,姜永生. 计算机仿真. 2012(06)
[10]基于结构修剪神经网络的股票指数预测模型[J]. 孙彬,李铁克,张文学. 计算机应用研究. 2011(08)
博士论文
[1]基于隐马尔可夫模型和计算智能的股票价格时间序列预测[D]. 李嵩松.哈尔滨工业大学 2011
硕士论文
[1]基于LM-BP神经网络股票预测研究[D]. 韩莉.东北农业大学 2016
[2]基于模糊深度学习网络算法的短期股价预测[D]. 刘庆玲.哈尔滨工业大学 2016
[3]基于小波变换—机器学习算法的有效投资组合构建[D]. 刘俊锋.西南财经大学 2016
[4]一种用于求解二次双层规划问题和双层证券投资组合优化模型的基于神经网络的混合算法[D]. 李镜儒.电子科技大学 2015
本文编号：3419179
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
研究路线图
L2范数差，如图4-1所示。图4-1 600033.SH编码前后股价序列分别将 L2范数差最小和最大的个股——600033.SH与000661.SZ——的原版- 32 -
哈尔滨工业大学经济学硕士学位论文和编码版作图，如图4-2和图4-3。图4-2 600033.SH编码前后股价序列图4-3 000661.SZ编码前后股价序列可以发现，无论是公共信息最多的600033.SH，还是范数差最大的000661.SZ，其编码版本在形状上都有一定的扭曲，并且前者的扭曲看似更大，但是前者的纵轴如果和后者在同一尺度上，便显得其编码版本与原版曲线几乎重合，如图4-4.在下文中，我们分别取 X = 45,105,165 具体展示后续每一个步骤在决策系统中的具体表现。需要注意的是，这仅仅是三个用作展示的样本，并不代表决策将在 X = 45,105,165 仅仅三个取值范围内做出。4.3追踪沪深300指数4.3.1调整在调整步骤中
【参考文献】：
期刊论文
[1]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)
[2]基于高斯核支持向量机和遗传算法的优化组合研究[J]. 马静,李星野,徐荣. 经济数学. 2017(01)
[3]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)
[4]基于灰色神经网络的股票收益率预测[J]. 曹雷欣,孙红兵. 计算机与数字工程. 2017(01)
[5]短期利率波动测度与预测:基于混频宏观-短期利率模型[J]. 尚玉皇,郑挺国. 金融研究. 2016(11)
[6]基于在线核极限学习机的股票价格预测模型[J]. 陈海英,刘洋. 内蒙古师范大学学报(自然科学汉文版). 2015(02)
[7]基于PSO的神经网络优化证券投资组合方法研究[J]. 黄招娣,应宛月,余立琴,肖祥阔,罗佳. 华东交通大学学报. 2013(02)
[8]股票价格短期预测的LM遗传神经网络算法[J]. 肖菁,潘中亮. 计算机应用. 2012(S1)
[9]基于ARIMA-SVM组合模型的股票价格预测[J]. 程昌品,陈强,姜永生. 计算机仿真. 2012(06)
[10]基于结构修剪神经网络的股票指数预测模型[J]. 孙彬,李铁克,张文学. 计算机应用研究. 2011(08)
博士论文
[1]基于隐马尔可夫模型和计算智能的股票价格时间序列预测[D]. 李嵩松.哈尔滨工业大学 2011
硕士论文
[1]基于LM-BP神经网络股票预测研究[D]. 韩莉.东北农业大学 2016
[2]基于模糊深度学习网络算法的短期股价预测[D]. 刘庆玲.哈尔滨工业大学 2016
[3]基于小波变换—机器学习算法的有效投资组合构建[D]. 刘俊锋.西南财经大学 2016
[4]一种用于求解二次双层规划问题和双层证券投资组合优化模型的基于神经网络的混合算法[D]. 李镜儒.电子科技大学 2015
本文编号：3419179
本文链接：https://www.wllwen.com/jingjilunwen/hongguanjingjilunwen/3419179.html
