基于RNN-ACT算法的多因子选股模型的研究与应用
发布时间：2021-04-20 18:16
传统多因子选股模型构建多采用打分法或者线性回归,很难挖掘一些复杂的非线性关系。对于挖掘变量间的非线性关系的方法,一种直观的方法是采用神经网络进行构建模型,故构建一个基于神经网络的模型来挖掘潜在的非线性关系是本文的研究方向。但是在这个过程中,构建的神经网络模型会面临梯度消失问题和无法规避金融市场潜在系统风险问题,这将最终导致神经网络模型预期效果不太理想。针对上述问题,本文主要研究如何将传统多因子模型和神经网络算法结合,构建基于RNN-ACT算法的多因子选股模型来挖掘潜在的非线性关系。通过提高神经网络复杂度来解决梯度消失问题,同时针对模型存在的潜在系统风险问题,创新性的提出相对奇异点概念,基于相对奇异点有意义片段检测进行仓位管理与风险控制,优化与拓展RNN-ACT多因子选股模型。本文构建的模型能较好解决了梯度消失问题,且在金融市场的模拟环境下累计收益率超出基准（沪深300指数）的业绩表现。通过与传统多因子模型、LSTM模型以及离线学习模型的对比,发现超额累计收益率走势相差大,证明本文模型通过在线学习可以较好地对股票收益率进行预测,且能够不断适应市场环境的变化。且在规避潜在系统风险的问题上,...
【文章来源】：昆明理工大学云南省
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 目的及意义
1.2 研究现状综述
1.3 研究思路和行文框架
1.3.1 研究思路
1.3.2 论文结构
第二章 相关理论概述
2.1 金融时间序列
2.2 多因子选股模型
2.2.1 回归法
2.2.2 打分法
2.2.3 分类法
2.3 RNN递归神经网络
2.4 本章小结
第三章 RNN-ACT模型与奇异点的有意义片段检测
3.1 RNN-ACT模型
3.1.1 RNN-ACT结构
3.1.2 RNN-ACT算法
3.1.3 RNN-ACT模型优点
3.2 奇异点的有意义片段检测
3.2.1 奇异点的定义
3.2.2 相对奇异点的定义
3.2.3 奇异点的有意义片段检测的意义
3.2.4 短期趋势的定义与检测
3.2.5 反转形态定义与检测
3.2.6 奇异点有意义片段检测
3.3 本章小结
第四章 多因子模型构建与实证分析
4.1 理论模型构建
4.2 数据预处理与因子筛选
4.2.1 数据准备
4.2.2 数据结构
4.2.3 候选因子的选取
4.2.4 数据预处理
4.2.5 因子有效性检验及筛选
4.3 模型参数设置
4.4 模型结果分析
4.4.1 学习性能
4.4.2 收益对比
4.4.3 不同分位数比较
4.4.4 离线学习模型的对比分析
4.5 模型参数优化
4.5.1 RNN-ACT参数优化
4.5.2 训练窗口参数优化
4.6 模型的拓展与优化
4.6.1 基于奇异点模型的仓位管理
4.6.2 奇异点模型有效性检验
4.7 本章小结
第五章 总结与展望
5.1 研究总结
5.2 论文工作
5.3 未来展望
致谢
参考文献
附录 攻读硕士期间的研究成果
附录1 候选因子列表
附录2 因子IC绝对值大于2%的因子列表
附录3 因子t检验结果
附录4 最终因子筛选结果
【参考文献】：
期刊论文
[1]基于递归神经网络的文本分类研究[J]. 黄磊,杜昌顺. 北京化工大学学报(自然科学版). 2017(01)
[2]基于ARMA模型对余额宝未来收益的预测[J]. 刘书真,封惠子,袁铮. 时代金融. 2014(12)
[3]使用随机森林算法实现优质股票的选择[J]. 曹正凤,纪宏,谢邦昌. 首都经济贸易大学学报. 2014(02)
[4]多因子投资组合选择模型研究[J]. 王艳萍,陈志平,陈玉娜. 工程数学学报. 2012(06)
[5]遗传算法改进策略研究[J]. 夏季. 信息与电脑(理论版). 2012(11)
[6]基于价值投资的Piotroski选股策略实证研究[J]. 殷鑫,郑丰,崔积钰,赵庄. 时代金融. 2012(23)
[7]支持向量机与RBF神经网络回归性能比较研究[J]. 刘苏苏,孙立民. 计算机工程与设计. 2011(12)
[8]证券投资技术分析存在的问题及对策[J]. 康剑南. 商场现代化. 2010(31)
[9]基于时间序列分析的股价预测[J]. 方启东,温鑫,蒋佳静,丁攀攀,沈友红,王琰. 宿州学院学报. 2010(08)
[10]股票价格预测的最优选择模型[J]. 贺本岚. 统计与决策. 2008(06)
博士论文
[1]基于支持向量机的选时和选股研究[D]. 汪东.上海交通大学 2007
硕士论文
[1]基于数据挖掘技术的股票选择分析[D]. 黄悦.北京外国语大学 2017
[2]基于主成分分析和BP神经网络算法的综合选股实证研究[D]. 兰强太.暨南大学 2017
[3]基于SVM算法的多因子选股模型实证研究[D]. 周渐.浙江工商大学 2017
[4]基于机器学习的量化选股研究[D]. 胡谦.山东大学 2016
[5]支持向量分类机（SVC）在量化选股中的应用[D]. 张伟.山东大学 2014
[6]基于遗传算法的风格选股模型研究[D]. 邹运.东北财经大学 2012
[7]基于滑动平均算法对金融时间序列的研究[D]. 周游.昆明理工大学 2012
[8]经济时间序列的趋势分析和实证研究[D]. 赵爽.首都经济贸易大学 2012
[9]因子选股模型在中国市场的实证研究[D]. 刘毅.复旦大学 2012
本文编号：3150165
【文章来源】：昆明理工大学云南省
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 目的及意义
1.2 研究现状综述
1.3 研究思路和行文框架
1.3.1 研究思路
1.3.2 论文结构
第二章 相关理论概述
2.1 金融时间序列
2.2 多因子选股模型
2.2.1 回归法
2.2.2 打分法
2.2.3 分类法
2.3 RNN递归神经网络
2.4 本章小结
第三章 RNN-ACT模型与奇异点的有意义片段检测
3.1 RNN-ACT模型
3.1.1 RNN-ACT结构
3.1.2 RNN-ACT算法
3.1.3 RNN-ACT模型优点
3.2 奇异点的有意义片段检测
3.2.1 奇异点的定义
3.2.2 相对奇异点的定义
3.2.3 奇异点的有意义片段检测的意义
3.2.4 短期趋势的定义与检测
3.2.5 反转形态定义与检测
3.2.6 奇异点有意义片段检测
3.3 本章小结
第四章 多因子模型构建与实证分析
4.1 理论模型构建
4.2 数据预处理与因子筛选
4.2.1 数据准备
4.2.2 数据结构
4.2.3 候选因子的选取
4.2.4 数据预处理
4.2.5 因子有效性检验及筛选
4.3 模型参数设置
4.4 模型结果分析
4.4.1 学习性能
4.4.2 收益对比
4.4.3 不同分位数比较
4.4.4 离线学习模型的对比分析
4.5 模型参数优化
4.5.1 RNN-ACT参数优化
4.5.2 训练窗口参数优化
4.6 模型的拓展与优化
4.6.1 基于奇异点模型的仓位管理
4.6.2 奇异点模型有效性检验
4.7 本章小结
第五章 总结与展望
5.1 研究总结
5.2 论文工作
5.3 未来展望
致谢
参考文献
附录 攻读硕士期间的研究成果
附录1 候选因子列表
附录2 因子IC绝对值大于2%的因子列表
附录3 因子t检验结果
附录4 最终因子筛选结果
【参考文献】：
期刊论文
[1]基于递归神经网络的文本分类研究[J]. 黄磊,杜昌顺. 北京化工大学学报(自然科学版). 2017(01)
[2]基于ARMA模型对余额宝未来收益的预测[J]. 刘书真,封惠子,袁铮. 时代金融. 2014(12)
[3]使用随机森林算法实现优质股票的选择[J]. 曹正凤,纪宏,谢邦昌. 首都经济贸易大学学报. 2014(02)
[4]多因子投资组合选择模型研究[J]. 王艳萍,陈志平,陈玉娜. 工程数学学报. 2012(06)
[5]遗传算法改进策略研究[J]. 夏季. 信息与电脑(理论版). 2012(11)
[6]基于价值投资的Piotroski选股策略实证研究[J]. 殷鑫,郑丰,崔积钰,赵庄. 时代金融. 2012(23)
[7]支持向量机与RBF神经网络回归性能比较研究[J]. 刘苏苏,孙立民. 计算机工程与设计. 2011(12)
[8]证券投资技术分析存在的问题及对策[J]. 康剑南. 商场现代化. 2010(31)
[9]基于时间序列分析的股价预测[J]. 方启东,温鑫,蒋佳静,丁攀攀,沈友红,王琰. 宿州学院学报. 2010(08)
[10]股票价格预测的最优选择模型[J]. 贺本岚. 统计与决策. 2008(06)
博士论文
[1]基于支持向量机的选时和选股研究[D]. 汪东.上海交通大学 2007
硕士论文
[1]基于数据挖掘技术的股票选择分析[D]. 黄悦.北京外国语大学 2017
[2]基于主成分分析和BP神经网络算法的综合选股实证研究[D]. 兰强太.暨南大学 2017
[3]基于SVM算法的多因子选股模型实证研究[D]. 周渐.浙江工商大学 2017
[4]基于机器学习的量化选股研究[D]. 胡谦.山东大学 2016
[5]支持向量分类机（SVC）在量化选股中的应用[D]. 张伟.山东大学 2014
[6]基于遗传算法的风格选股模型研究[D]. 邹运.东北财经大学 2012
[7]基于滑动平均算法对金融时间序列的研究[D]. 周游.昆明理工大学 2012
[8]经济时间序列的趋势分析和实证研究[D]. 赵爽.首都经济贸易大学 2012
[9]因子选股模型在中国市场的实证研究[D]. 刘毅.复旦大学 2012
本文编号：3150165
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/3150165.html
