基于LSTM神经网络的多因子选股模型实证研究

发布时间：2024-04-14 14:18

　　近年来,人工智能AI发展之势迅猛,人工智能机器人AlphaGO对战人类大获全胜,“智能+”首次写入2019年国务院政府工作报告,种种迹象无不说明人工智能在我们生活中扮演着日益重要的角色。量化投资为金融领域的一个庞大分支,其中,多因子选股是一项较为成熟的选股技术。因此,本文将深度学习应用于多因子选股,构建了基于LSTM神经网络算法的多因子选股模型。通过与SVM算法对比,发现LSTM神经网络算法比SVM算法更适用股票这类时间序列数据,并将LSTM预测出来的股票进行回测发现其能够获得超过比较基准的收益率。本文选取2012年1月至2018年12月的每一周最后一个交易日的动态沪深300成分股的因子截面数据作为数据样本,其中2012年1月到2017年12月的数据作为模型的训练数据和验证数据,2018年1月至2018年12月作为模型的测试数据。在选取候选因子方面,分别选取质量、动量、价值、常用技术指标、每股指标、情绪、成长、分析师预期、基础科目与衍生和收益与风险等十类因子,合计因子244个,这在广度和深度上均扩大了候选因子的选取范围。本文模型的构建主要分为以下几个步骤:首先,对原始数据依次进行数据预...

【文章页数】：44 页

【学位级别】：硕士

【部分图文】：

图2-1RNN网络架构

图2-1RNN网络架构图2-1是一个全连接的只有一层隐藏层的RNN网络，图中错综复杂，难以理解。为了方便理解，学者们将RNN遵从时间输入的先后顺序展开，展开后的结果如图2-2所示。

图2-2RNN网络结构展开图

11图2-2RNN网络结构展开图从图2-2RNN网络结构展开图可知，RNN存在三层结构，即输入层x、隐藏层s和输出层o。U、W、V均代表权重，依次表示输入层到隐藏层的权重、前一个时刻隐藏层节点到后一个时刻隐藏层节点的权重和隐藏层到输出层的权重。在任一时刻下，....

图2-3LSTM网络结构cell图

NN的信息传播过程中没有过滤和筛选，以至于随着层数或距离面的信息很难传播到较远的地方，出现梯度消失的问题。M是SeppHochreiter和JurgenSchmidhuber为了解决RNN梯。LSTM之所以能解决RNN的梯度消失问题是因为它增加三nput....

图3-1离群点处理结果

数据清理、数据集成、数据变换、数据规约等。数据清理是通过填充缺失值，噪声，识别离群点，纠正数据中的不一致性等步骤来处理脏数据，综上本研用数据清理这一方法处理数据。（1）离群点处理离群点是指一堆数据点在时间或者空间上，远离序列的普遍正常水平的那些值点（包括极大值和极小值）。异常值的....

本文编号：3954814