基于深度学习的股票Alpha量化模型研究

发布时间：2020-05-28 18:18

【摘要】：近年来,量化投资在我国迅速发展,已经成为一种极具潜力的交易手段。然而,随着时间的推移,传统量化投资方法正面临股票因子匮乏、模型种类单一、模型复杂非线性建模能力不足的挑战。因此,本文提出基于深度学习的股票Alpha量化模型,并在上证50指数成份股上进行实验。传统量化策略中,股票有效因子的挖掘和选取至关重要。传统的因子挖掘方法主要依靠人工暴力开发,耗时耗力,且效率低下。本文提出自编码器股票Alpha因子挖掘模型,通过组合稀疏自编码器和除噪自编码器,构造混合自编码器和多层栈式自编码器,获得股票的深度特征表示,以达到机器自动挖掘股票因子的目的。实验结果表明,自编码器股票Alpha因子挖掘模型能够降低股票原始数据和特征中的噪声,精炼有效信息,得到更加有效的因子特征表示。该模型能够在一定程度上取代人工暴力开发因子的方式。传统的量化预测模型,主要通过统计分析,选择高胜率的投资路径。且传统预测方法往往对股票或指数单品种收益率进行直接预测,预测难度大、精度低。另外,基于统计分析的方法在股票时间序列数据面前缺乏足够的非线性表现力。本文提出一种新颖的基于受控成本LSTM股票Alpha预测模型,对股票指数中所有成份股组成的收益率向量做出预测,由此得到所有成份股最佳的资金权重配比。通过主动构建投资组合,获取与市场总体无关的Alpha收益。实验结果表明,基于受控成本LSTM股票Alpha预测模型能够在控制交易频率的同时,获得更加稳定的超额收益。该模型能够为Alpha对冲策略的实施奠定良好的基础。
【图文】：

复权,高频数据,数据层,框架图

现通过股指期货对冲的Ａｌｐｈａ策略提供了可能性。逡逑１．４研究思路逡逑如图１－２所示为本文的研宄思路框架图，自底向上分为数据层、特征层、模逡逑型层和策略层。逡逑策略层逦回归分析逦回测分析逡逑逦逦逦邋｜逦逦逦逡逑模型层逦ＬＳＴＭ逦ＲＮＮ逡逑特征层逦｜技术指标逦Ａｌｐｈａ因子逦自编码因子逡逑数据层逦｜数据复权逦异常值处理逦缺失值处理逡逑———邋邋逦＇邋＂邋邋—邋－？逡逑逦逦邋逦逦一一逡逑姦一逡逑逦逦逦邋逦逦Ｊ逡逑图１－２研宄思路框架图逡逑数据层主要在获取高频数据后，对其完成预处理工作，包括价格复权、异常逡逑值和缺失值处理等，使数据序列可用。该部分主要在本文第三章第一节中介绍。逡逑特征层在原始数据的基础上进行一系列的特征工程，，生成各类特征，包括传逡逑统技术指标和一些Ａｌｐｈａ因子，以及用自编码因子挖掘模型产生的各种自编码特逡逑征。另外还包括这些特征因子的有效性检验过程。该部分主要在本文第三章第二、逡逑三节以及第四、五章中介绍。逡逑模型层基于特征层产生的特征，利用循环yL经网络等预测模型对股票收益率逡逑８逡逑

时间序列,填充法,历史数据,股票

第三章特征工程逡逑第二种方法为如图３－邋２所示的均值填充法，即以该属性值在所有股票样本上的逡逑均值作为缺失值的填充值，图中股票１缺失值应填充为公式（３－７）所示均值，逡逑其中？为股票ｉ在时刻／的属性值，ｍ为股票数量，ｎ为时间长度。值得注意的是，逡逑只有当股票没有可填充的历史数据时，才使用均值填充法。逡逑士ｊｒＵｉ．ｊｉｋｊ邋羊ＮａＮ）逦（公式邋３－７）逡逑使用均值作为填充值，可以让被填充的属性具有中性效果，在没有足够信息逡逑的情况下，使得该股票样本尽量接近市场平均中性水平。该方法的缺点则是填充逡逑后的序列连续性遭到破坏，可能会造成股票属性在时间序列上出现突变。逡逑本文研宄针对的是股票分钟级高频数据，且研宄对象是股票成份股，这些股逡逑票作为入选股票指数的成份股
【学位授予单位】：厦门大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F832.51;F224

【参考文献】