基于长短记忆网络的指数量化择时研究
发布时间：2021-10-27 09:46
构建高精度股市指数预测模型进而设计高效的择时策略是量化投资领域的研究热点。文章在股市指数建模过程中引入自适应噪声完备集合经验模态分解（CEEMDAN）,并结合长短记忆网络（LSTM）对复杂序列中长期依赖关系高效的建模能力,提出一种指数预测建模方法C-LSTM。首先,运用CEEMDAN对指数进行量分预解测与值重获构得,指获数得的其整高体、低预频测分值量,与及现趋有势主项流;然预后测,方利法用L的ST对M比分实别验对表各明分C-量L进ST行M预具测有建更模低,的进预而测加误和差集和成滞各分后性;最后,构建基于C-LSTM预测的指数择时策略,并在沪深300指数上将其与均线择时、SVR择时进行对比实验,结果表明该策略凭借对指数的高精度预测大幅提升了择时信号的准确度,整体表现显著超越对照策略。
【文章来源】：统计与决策. 2020,36(23)北大核心CSSCI
【文章页数】：6 页
【部分图文】：
按时间展开的RNN结构
选取指数2006年1月1日至2016年2月1日共2450个数据创建预测模型的训练集，以2016年2月2日至2017年5月10日共307个数据创建测试集。对建模数据执行Z-score标准化，以消除指标间量纲的影响。采用滚动预测建模方式，分别构建高、低频分量以及趋势项三个子序列的预测模型，其中模型输入为最近30日的指数值，输出则为待预测的下一日指数值[6]。考虑到模型计算训练效率，本文建立的LSTM深层网络仅包含两个隐层，并包含一个Dropout层以避免模型过拟合问题。将动态学习率初值设置为0.1，并按照公式0.1*0.96k动态调整，使其随着迭代次数k的不断增大而均匀下降，以实现LSTM模型在训练过程中高效收敛于损失函数的全局最优值。本文通过实验方法确定各预测模型中两个隐层包含的神经元个数。根据表1的结果，将高频分量模型的隐层神经元数目设定为最优组合（10,10）；同理，将低频分量、趋势项对应的预测模型的隐层神经元数目都设定为（6,6）。对各子序列LSTM预测模型进行训练，实验表明3个模型经过100次迭代后都收敛于最优状态，获得各子序列的最优预测模型。
利用上文已建立的3个子序列预测模型，并以最近30天指数值为输入，分别采用滚动预测方式对预测期内指数的高、低频分量及趋势项进行预测。如图6所示，多数高频子序列预测值相对真实值右偏，预测滞后问题明显。对各子序列LSTM预测模型的评价结果如下页表2所示[2]。高频分量模型对应的R2仅为0.4081，证实其存在较大的预测误差、解释能力较弱。2.4.2 高频IMF组合方式优化
【参考文献】：
期刊论文
[1]基于EEMD-SVR的沪深300指数预测建模[J]. 贺毅岳,韩进博,高妮. 统计与决策. 2020(17)
[2]基于CEEMDAN-MR-PE-NLE多频优化组合模型的碳金融市场价格预测[J]. 崔金鑫,邹辉文. 数学的实践与认识. 2020(03)
[3]机器学习驱动的基本面量化投资研究[J]. 李斌,邵新月,李玥阳. 中国工业经济. 2019(08)
[4]EMD分解下基于SVR的股票价格集成预测[J]. 贺毅岳,高妮,王峰虎,茹少峰,韩进博. 西北大学学报(自然科学版). 2019(03)
[5]基于深度学习LSTM神经网络的全球股票指数预测研究[J]. 杨青,王晨蔚. 统计研究. 2019(03)
[6]基于EEMD-LSTM-Adaboost的商品价格预测[J]. 邸浩,赵学军,张自力. 统计与决策. 2018(13)
[7]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)
[8]基于EEMD的投资者情绪与股指波动的关系研究[J]. 李合龙,冯春娥. 系统工程理论与实践. 2014(10)
[9]A股市场均线策略有效性与收益率随机特征研究[J]. 周铭山,冯新力,林靓,方旭赟,周开国. 证券市场导报. 2013(01)
本文编号：3461350
【文章来源】：统计与决策. 2020,36(23)北大核心CSSCI
【文章页数】：6 页
【部分图文】：
按时间展开的RNN结构
选取指数2006年1月1日至2016年2月1日共2450个数据创建预测模型的训练集，以2016年2月2日至2017年5月10日共307个数据创建测试集。对建模数据执行Z-score标准化，以消除指标间量纲的影响。采用滚动预测建模方式，分别构建高、低频分量以及趋势项三个子序列的预测模型，其中模型输入为最近30日的指数值，输出则为待预测的下一日指数值[6]。考虑到模型计算训练效率，本文建立的LSTM深层网络仅包含两个隐层，并包含一个Dropout层以避免模型过拟合问题。将动态学习率初值设置为0.1，并按照公式0.1*0.96k动态调整，使其随着迭代次数k的不断增大而均匀下降，以实现LSTM模型在训练过程中高效收敛于损失函数的全局最优值。本文通过实验方法确定各预测模型中两个隐层包含的神经元个数。根据表1的结果，将高频分量模型的隐层神经元数目设定为最优组合（10,10）；同理，将低频分量、趋势项对应的预测模型的隐层神经元数目都设定为（6,6）。对各子序列LSTM预测模型进行训练，实验表明3个模型经过100次迭代后都收敛于最优状态，获得各子序列的最优预测模型。
利用上文已建立的3个子序列预测模型，并以最近30天指数值为输入，分别采用滚动预测方式对预测期内指数的高、低频分量及趋势项进行预测。如图6所示，多数高频子序列预测值相对真实值右偏，预测滞后问题明显。对各子序列LSTM预测模型的评价结果如下页表2所示[2]。高频分量模型对应的R2仅为0.4081，证实其存在较大的预测误差、解释能力较弱。2.4.2 高频IMF组合方式优化
【参考文献】：
期刊论文
[1]基于EEMD-SVR的沪深300指数预测建模[J]. 贺毅岳,韩进博,高妮. 统计与决策. 2020(17)
[2]基于CEEMDAN-MR-PE-NLE多频优化组合模型的碳金融市场价格预测[J]. 崔金鑫,邹辉文. 数学的实践与认识. 2020(03)
[3]机器学习驱动的基本面量化投资研究[J]. 李斌,邵新月,李玥阳. 中国工业经济. 2019(08)
[4]EMD分解下基于SVR的股票价格集成预测[J]. 贺毅岳,高妮,王峰虎,茹少峰,韩进博. 西北大学学报(自然科学版). 2019(03)
[5]基于深度学习LSTM神经网络的全球股票指数预测研究[J]. 杨青,王晨蔚. 统计研究. 2019(03)
[6]基于EEMD-LSTM-Adaboost的商品价格预测[J]. 邸浩,赵学军,张自力. 统计与决策. 2018(13)
[7]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)
[8]基于EEMD的投资者情绪与股指波动的关系研究[J]. 李合龙,冯春娥. 系统工程理论与实践. 2014(10)
[9]A股市场均线策略有效性与收益率随机特征研究[J]. 周铭山,冯新力,林靓,方旭赟,周开国. 证券市场导报. 2013(01)
本文编号：3461350
本文链接：https://www.wllwen.com/jingjilunwen/huobiyinxinglunwen/3461350.html
