基于高频数据的中国股市日内回转交易研究
发布时间：2020-12-08 10:12
由于我国A股市场实行“T+1”交易制度,在实际投资中,中长线交易更受投资者们的喜爱,对于超短线日内回转交易的认识程度不高,更缺乏对此的研究。然而随着我国各种金融衍生工具的出现,我国股票市场走上了高速发展的道路,更是因此形成了多种多样的交易策略。本文研究了通过沪深300成分股建立现货组合进行对冲并在股票现货市场上进行日内回转交易的策略,以期在股票市场上取得低风险的稳定收益。本文分为构建现货组合和日内回转交易两部分进行研究。第一部分通过跟踪沪深300指数构建股票现货组合。首先根据不同的现货构建方法进行研究,并从中选取了部分优化复制的方法来构建现货组合。利用主成分分析和K-Means算法对沪深300成分股进行聚类分析得到10类、20类、30类、40类、50类股票,并从每一类股票中选取平均振幅最大的成分股利用遗传算法计算其跟踪沪深300指数的最优权重。然后比较分析了“聚类+优化权重”、“聚类+等权重”、“市值排列+优化权重”、“市值排列+等权重”的跟踪误差,确定了“聚类+优化权重”的跟踪效果最好。最后利用沪深300股指期货进行对冲以帮助后续的日内回转交易规避系统性风险。第二部分研究通过预配置相...
【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】：69 页
【学位级别】：硕士
【部分图文】：
研究路线
哈尔滨工业大学管理学硕士学位论文益率作为训练集进行聚类分析，将 2018 年 6 月 1 日至 2019 年 4 月 30 日的数据做为测试集。由于数据维度较高，所以通过 PCA 进行降维处理再聚类。数据维度过高会导致维度灾难，如果变量个数增加，随之需要估计的参数个数也在增加，在训练集保持不变的情况下待估参数的方差也会随之增加，导致参数估计质量下降。主成分分析则可以通过数学方法进行降维，将高维变量缩减为一组较少的互相无关的综合指标。本文对高频数据聚类分析时，每只股票的 5 分钟数据数量在[24000，28800]这个区间内，利用 PCA 将其降为 3000 维的变量，累计方差贡献率为 90.67%。本文通过 Python 进行 PCA。如图 3-1 为主成分分析部分结果。
哈尔滨工业大学管理学硕士学位论文票，在类别间比较时，不同类别的股票的走势是会有很大差异的，为了验证这一点，我们在聚类成 10 类的股票中，挑选每一类中的代表股票，分别是：中国平安，洛阳钼业，华泰证券，万科 A，南方航空，招商银行，大华股份，用友网络，华东医药，五粮液。根据这 10 只股票的每日收盘价画出他们的走势如下图 3-2。
【参考文献】：
期刊论文
[1]皮尔森优化结合Xgboost算法的股价预测研究[J]. 陈宇韶,唐振军,罗扬,杨洁. 信息技术. 2018(09)
[2]股指期货套利中的最优现货组合构建策略研究[J]. 周羽齐. 今日财富. 2018(10)
[3]基于技术分析指标的投资者情绪指数有效性研究[J]. 向诚,陆静. 管理科学. 2018(01)
[4]基于贝叶斯最优化的Xgboost算法的改进及应用[J]. 李叶紫,王振友,周怡璐,韩晓卓. 广东工业大学学报. 2018(01)
[5]基于MACD与MA比较的价格趋势识别[J]. 邹海荣,陈标金. 企业经济. 2017(07)
[6]股指期货套利中的最优现货组合构建策略研究[J]. 柴尚蕾,郭崇慧,徐旭. 运筹与管理. 2012(02)
[7]回转交易制度对股票市场质量的影响[J]. 成微,刘善存,邱菀华. 系统工程理论与实践. 2011(08)
[8]日内回转交易的市场效果:基于上海证券市场的实证研究[J]. 刘逖,叶武. 新金融. 2008(03)
[9]沪深300股指期货期现套利中现货选择研究[J]. 刘冰. 时代经贸(中旬刊). 2007(SC)
[10]股指期货定价与期现套利分析——兼论沪深300股指的现货模拟策略[J]. 苏婵媛. 北方经济. 2007(22)
硕士论文
[1]基于XGBoost模型的短期股票预测[D]. 伯毅.哈尔滨工业大学 2018
[2]基于异构信息处理对股票联动效应的研究[D]. 汤瑶.哈尔滨工业大学 2018
[3]中国股指期货期现套利研究及策略设计[D]. 梁媚.浙江大学 2017
[4]基于多技术指标和形态轨迹量化的股票趋势预测方法研究[D]. 卫柄岐.西北大学 2017
[5]基于XGBoost算法的多因子量化选股方案策划[D]. 李想.上海师范大学 2017
[6]基于机器学习的量化选股研究[D]. 胡谦.山东大学 2016
[7]沪深300股指复制策略研究[D]. 许悦.南京大学 2015
[8]股指期货的套利策略研究[D]. 韩洁.西北大学 2013
[9]基于高频数据的中国股指期货程序化交易策略有效性研究[D]. 寇义.哈尔滨工业大学 2013
[10]基于股指期货的套利策略设计[D]. 邹志超.华中科技大学 2013
本文编号：2904919
【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】：69 页
【学位级别】：硕士
【部分图文】：
研究路线
哈尔滨工业大学管理学硕士学位论文益率作为训练集进行聚类分析，将 2018 年 6 月 1 日至 2019 年 4 月 30 日的数据做为测试集。由于数据维度较高，所以通过 PCA 进行降维处理再聚类。数据维度过高会导致维度灾难，如果变量个数增加，随之需要估计的参数个数也在增加，在训练集保持不变的情况下待估参数的方差也会随之增加，导致参数估计质量下降。主成分分析则可以通过数学方法进行降维，将高维变量缩减为一组较少的互相无关的综合指标。本文对高频数据聚类分析时，每只股票的 5 分钟数据数量在[24000，28800]这个区间内，利用 PCA 将其降为 3000 维的变量，累计方差贡献率为 90.67%。本文通过 Python 进行 PCA。如图 3-1 为主成分分析部分结果。
哈尔滨工业大学管理学硕士学位论文票，在类别间比较时，不同类别的股票的走势是会有很大差异的，为了验证这一点，我们在聚类成 10 类的股票中，挑选每一类中的代表股票，分别是：中国平安，洛阳钼业，华泰证券，万科 A，南方航空，招商银行，大华股份，用友网络，华东医药，五粮液。根据这 10 只股票的每日收盘价画出他们的走势如下图 3-2。
【参考文献】：
期刊论文
[1]皮尔森优化结合Xgboost算法的股价预测研究[J]. 陈宇韶,唐振军,罗扬,杨洁. 信息技术. 2018(09)
[2]股指期货套利中的最优现货组合构建策略研究[J]. 周羽齐. 今日财富. 2018(10)
[3]基于技术分析指标的投资者情绪指数有效性研究[J]. 向诚,陆静. 管理科学. 2018(01)
[4]基于贝叶斯最优化的Xgboost算法的改进及应用[J]. 李叶紫,王振友,周怡璐,韩晓卓. 广东工业大学学报. 2018(01)
[5]基于MACD与MA比较的价格趋势识别[J]. 邹海荣,陈标金. 企业经济. 2017(07)
[6]股指期货套利中的最优现货组合构建策略研究[J]. 柴尚蕾,郭崇慧,徐旭. 运筹与管理. 2012(02)
[7]回转交易制度对股票市场质量的影响[J]. 成微,刘善存,邱菀华. 系统工程理论与实践. 2011(08)
[8]日内回转交易的市场效果:基于上海证券市场的实证研究[J]. 刘逖,叶武. 新金融. 2008(03)
[9]沪深300股指期货期现套利中现货选择研究[J]. 刘冰. 时代经贸(中旬刊). 2007(SC)
[10]股指期货定价与期现套利分析——兼论沪深300股指的现货模拟策略[J]. 苏婵媛. 北方经济. 2007(22)
硕士论文
[1]基于XGBoost模型的短期股票预测[D]. 伯毅.哈尔滨工业大学 2018
[2]基于异构信息处理对股票联动效应的研究[D]. 汤瑶.哈尔滨工业大学 2018
[3]中国股指期货期现套利研究及策略设计[D]. 梁媚.浙江大学 2017
[4]基于多技术指标和形态轨迹量化的股票趋势预测方法研究[D]. 卫柄岐.西北大学 2017
[5]基于XGBoost算法的多因子量化选股方案策划[D]. 李想.上海师范大学 2017
[6]基于机器学习的量化选股研究[D]. 胡谦.山东大学 2016
[7]沪深300股指复制策略研究[D]. 许悦.南京大学 2015
[8]股指期货的套利策略研究[D]. 韩洁.西北大学 2013
[9]基于高频数据的中国股指期货程序化交易策略有效性研究[D]. 寇义.哈尔滨工业大学 2013
[10]基于股指期货的套利策略设计[D]. 邹志超.华中科技大学 2013
本文编号：2904919
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/2904919.html
