面向证券行情预测的特征生成方法研究

发布时间：2020-09-23 11:59

　　量化交易因其具有自动化与一致性程度高、总体收益高且较为稳定等显著优点,成为国内外投资领域研究人员与交易人员共同关注的焦点。量化交易主要有行情预测和择时策略两部分组成,而行情预测是量化交易有效运作的重要保障。行情预测按照数据和模型来划分,可分为特征生成与预测模型构建。现有相关研究工作主要侧重于预测模型的构建与改进,取得了较大进展;但是对特征生成的关注较少,进展有限。特征生成是预测模型构建的基础与前提,其性能的高低直接影响着预测模型的有效性。针对这种情况,本文聚焦于特征生成方法方面的研究,具体内容是特征生成中输入信息设计和特征提取方法的研究,并构建LSTM预测模型进行验证。输入信息的有效性直接影响着生成特征的性能高低。现有研究工作主要使用证券走势K线中的高、开、低、收四价及成交量作为输入数据。此外,部分研究工作在上述基变量的基础上引入了更多的统计信息,取得了较多成果。然而这些研究工作不但在信息选取方面缺乏有效依据,而且选取信息的有效性也有待进一步提升。本文通过理论分析和实验验证对输入信息进行设计,首先分析基础信息的冗余性进行信息去冗余,其次针对信息的缺失和不足进行信息增强,为基础数据补充了短期的冲量信息和方向性的趋势信息,最后通过实验来验证特征组合的合理性。特征提取作为特征生成中的重要步骤,其优劣在一定程度上决定特征性能的好坏。其中主成分分析、自动编码器应用最为广泛,但这些方法会丢失大量对预测有益的信息。为了提高特征性能,本文将极具发展前景的自动编码器作为研究重点。针对标签信息没有得到有效利用的问题,本文提出了借鉴范式约束和聚类思想,利用标签分类信息对目标函数进行约束。使得编码后的特征向量不仅可以有效表达原始输入信息,还在降低维度的同时提升了分类能力,有助于提高预测模型效果。
【学位单位】：河南大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：F832.51
【部分图文】：

数据处理流程

通常用银行储蓄或其它投资获得的平均利率，为了方便统计通来替代。当 I 下降时，P 一般会上涨，反之会下降。行业和区域因素，股民对当前行业发展的预判与该区域各行业各区该行业上市公司股票价格造成的影响。不同的行业国家政策优惠域发展水平也有很大的差距。市场因素，投资者对股票未来的预判和投资心理，使其产生做多或发生相应的上涨和下降。在不规范、缺乏有效监管的股票市场中还存股市的行为，有些机构或者大户利用自己雄厚的资金来控制股票价额利益。处理对模型学习效果的影响非常大，不合理的数据和数据处理方法会导的数据处理流程如图 2-1 所示。

示意图,数据对齐,示意图,股票

如下五种可能：（1）新发售的股票首个交易日。（2）增发股票上市当天交易日。（3）股票在经历长时间停牌后，重新允许买卖的首个交易日。（4）股改后的股票(以 S 开头，但不是 ST)，重新允许买卖首个交易日。（5）经过重大资产重组后的股票复牌当天。.3 数据集划分单个样本长度为 20，即有 20 天股票数据。样本集合分成三组，训练集、验证一个时间范围数量上按 9:1 的比例进行划分，分别为 74916、8324，而测试集相对于前两部分属于未来数据为 6680。训练集用来训练模型参数。验证数据集练，用来验证当前模型的泛化能力，帮助保存泛化能力最好的模型。测试集进模型对未来的预测效果，并通过与简单的交易策略结合来验证收益比率。

展开图,展开图,网络计算,多步

图 3-1 RNN 神经网络结构图在图 3-1 的结构中网络节点 A，接收到一个输入 Xt，通过网络计算会输出一个状 ht。循环使得信息可以被传递一步或多步。为了理解 RNN，通常将循环进行展开[38]

【相似文献】