基于神经网络方法的A股市场多因子选股策略研究
发布时间：2021-05-23 22:16
近年来,计算机大数据、人工智能技术发展迅猛,得益于计算机技术的突破,量化投资也进入了一个爆发时代。量化投资的本质是通过将各类经济指标量化,建立数学模型,找到能够实现稳定收益的投资策略,其中的一种有效的方法就是多因子选股策略。本文尝试使用深度神经网络的方法发掘有效因子和收益率之间的非线性关系,基于神经网络自学习的特性,可以在反复训练中优化各个因子的权重,最后求得模型损失函数的最优解,使神经网络的分析模型具有更高的准确性,从而得到一个可以分析判断股票收益率的模型,实现通过神经网络选股模型实现超额收益。本文试图聚焦于2010年至2018年的中国A股交易市场信息、上市公司财务信息、上市公司财务指标等众多因子中验证出最有效的因子,然后利用TensorFlow框架建立多因子的神经网络模型,将个股的有效因子作为输入层,个股的盈利率作为输出层,中间建立合适的隐藏层数和合适的神经元个数。反复测试并调整模型参数,调整参数包括隐藏层数,隐藏神经元个数、学习速率等,最后建立一套基于深度神经网络的多因子股票选择模型。通过本文的实验验证,最终找到了一系列用于构建多因子神经网络选股模型的参数,并对数据进行了预测,结...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 相关领域研究现状
1.2.1 多因子策略研究现状
1.2.2 神经网络技术研究现状
1.2.3 文献评述
1.3 论文框架结构
1.3.1 研究思路
1.3.2 行文框架
1.3.3 技术框架
第二章 相关理论概述
2.1 量化投资概念
2.1.1 量化投资理论介绍
2.1.2 国内外量化投资发展情况
2.2 多因子量化选股策略理论
2.2.1 多因子量化选股策略的介绍
2.2.2 多因子量化选股策略的方法
2.2.3 多因子量化选股策略的优势
2.3 神经网络理论
2.3.1 神经网络理论介绍
2.3.2 神经网络具体工作原理介绍
2.3.3 神经网络模型的优势
第三章 数据的获取与预处理
3.1 数据获取途径
3.1.1 时间段与股票个数选取说明
3.1.2 A股交易信息历史数据的获取说明
3.1.3 A股上市公司财务数据获取说明
3.1.4 A股上市公司收益率数据获取说明
3.2 数据预处理
3.2.1 数据的合并
3.2.2 无效数据与缺失数据的处理
3.2.3 数据的矩阵化
3.2.4 两组数据的使用说明
第四章 有效因子的选取
4.1 因子的分类
4.2 因子与收益率单调性关系
4.3 因子间相关系数关系
4.4 确定有效因子
4.5 神经网络选择因子补充说明
第五章 神经网络模型的建立
5.1 数据标准化
5.2 开发集、验证集、测试集划分
5.3 建立多层神经网络模型
5.3.1 损失函数与评价指标
5.3.2 激活函数的选择
5.3.3 隐藏层数量的选择
5.3.4 神经元数量的选择
5.3.5 正则化和Dropout
5.3.6 优化器选择对比与学习效率选择
5.4 基础参数选取
第六章 神经网络多因子策略的验证
6.1 模型在测试集上的选股验证结果
6.2 模型在未来数据上的验证结果
6.3 模型的长期对比验证
第七章 结论与展望
7.1 总结
7.2 下一步优化
7.3 不足之处
致谢
参考文献
【参考文献】：
期刊论文
[1]基于改进sigmoid激活函数的深度神经网络训练算法研究[J]. 黄毅,段修生,孙世宇,郎巍. 计算机测量与控制. 2017(02)
[2]散户投资者股票交易认识上存在的误区及对策[J]. 傅佑全. 内江师范学院学报. 2016(12)
[3]浅析基于大数据的多因子量化选股策略[J]. 李姝锦,胡晓旭,王聪. 经济研究导刊. 2016(17)
[4]基于遗传算法与BP神经网络的股票预测[J]. 胡照跃,白艳萍. 数字技术与应用. 2016(03)
[5]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[6]基于动态混沌神经网络的预测研究——以马铃薯时间序列价格为例[J]. 李哲敏,许世卫,崔利国,张建华. 系统工程理论与实践. 2015(08)
[7]证券投资基金收益概率密度预测——基于神经网络分位数回归模型[J]. 阮素梅,于宁. 华东经济管理. 2015(02)
[8]基于遗传算法和BP神经网络的房价预测分析[J]. 高玉明,张仁津. 计算机工程. 2014(04)
[9]基于整体特征神经网络数字二次识别方法[J]. 张翼成,陈欣,嵇小波,张晓荣. 计算机系统应用. 2013(06)
[10]股票收益率对于换手率的影响及其动因[J]. 周仁才,吴冲锋. 上海交通大学学报. 2009(04)
硕士论文
[1]基于情绪系数下的多因子选股模型实证研究[D]. 刘昭.山东大学 2017
[2]基于财务指标量化选股的alpha策略可行性研究[D]. 侯永乐.浙江工商大学 2017
[3]中国股市暴涨暴跌的原因及对策分析[D]. 董若斌.天津财经大学 2017
[4]情绪因子与股票截面收益[D]. 钟强.浙江工商大学 2017
[5]基于打分法多因子模型的量化选股策略实证分析[D]. 王雨.东北财经大学 2016
[6]神经网络和深度学习在量化投资中的应用[D]. 白凯敏.山东大学 2016
[7]基于市场有效性的上市公司财务信息与股价的关系研究[D]. 郭文君.华南理工大学 2015
[8]多因子选股模型的构建与应用[D]. 朱世清.山东财经大学 2015
本文编号：3203057
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 相关领域研究现状
1.2.1 多因子策略研究现状
1.2.2 神经网络技术研究现状
1.2.3 文献评述
1.3 论文框架结构
1.3.1 研究思路
1.3.2 行文框架
1.3.3 技术框架
第二章 相关理论概述
2.1 量化投资概念
2.1.1 量化投资理论介绍
2.1.2 国内外量化投资发展情况
2.2 多因子量化选股策略理论
2.2.1 多因子量化选股策略的介绍
2.2.2 多因子量化选股策略的方法
2.2.3 多因子量化选股策略的优势
2.3 神经网络理论
2.3.1 神经网络理论介绍
2.3.2 神经网络具体工作原理介绍
2.3.3 神经网络模型的优势
第三章 数据的获取与预处理
3.1 数据获取途径
3.1.1 时间段与股票个数选取说明
3.1.2 A股交易信息历史数据的获取说明
3.1.3 A股上市公司财务数据获取说明
3.1.4 A股上市公司收益率数据获取说明
3.2 数据预处理
3.2.1 数据的合并
3.2.2 无效数据与缺失数据的处理
3.2.3 数据的矩阵化
3.2.4 两组数据的使用说明
第四章 有效因子的选取
4.1 因子的分类
4.2 因子与收益率单调性关系
4.3 因子间相关系数关系
4.4 确定有效因子
4.5 神经网络选择因子补充说明
第五章 神经网络模型的建立
5.1 数据标准化
5.2 开发集、验证集、测试集划分
5.3 建立多层神经网络模型
5.3.1 损失函数与评价指标
5.3.2 激活函数的选择
5.3.3 隐藏层数量的选择
5.3.4 神经元数量的选择
5.3.5 正则化和Dropout
5.3.6 优化器选择对比与学习效率选择
5.4 基础参数选取
第六章 神经网络多因子策略的验证
6.1 模型在测试集上的选股验证结果
6.2 模型在未来数据上的验证结果
6.3 模型的长期对比验证
第七章 结论与展望
7.1 总结
7.2 下一步优化
7.3 不足之处
致谢
参考文献
【参考文献】：
期刊论文
[1]基于改进sigmoid激活函数的深度神经网络训练算法研究[J]. 黄毅,段修生,孙世宇,郎巍. 计算机测量与控制. 2017(02)
[2]散户投资者股票交易认识上存在的误区及对策[J]. 傅佑全. 内江师范学院学报. 2016(12)
[3]浅析基于大数据的多因子量化选股策略[J]. 李姝锦,胡晓旭,王聪. 经济研究导刊. 2016(17)
[4]基于遗传算法与BP神经网络的股票预测[J]. 胡照跃,白艳萍. 数字技术与应用. 2016(03)
[5]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[6]基于动态混沌神经网络的预测研究——以马铃薯时间序列价格为例[J]. 李哲敏,许世卫,崔利国,张建华. 系统工程理论与实践. 2015(08)
[7]证券投资基金收益概率密度预测——基于神经网络分位数回归模型[J]. 阮素梅,于宁. 华东经济管理. 2015(02)
[8]基于遗传算法和BP神经网络的房价预测分析[J]. 高玉明,张仁津. 计算机工程. 2014(04)
[9]基于整体特征神经网络数字二次识别方法[J]. 张翼成,陈欣,嵇小波,张晓荣. 计算机系统应用. 2013(06)
[10]股票收益率对于换手率的影响及其动因[J]. 周仁才,吴冲锋. 上海交通大学学报. 2009(04)
硕士论文
[1]基于情绪系数下的多因子选股模型实证研究[D]. 刘昭.山东大学 2017
[2]基于财务指标量化选股的alpha策略可行性研究[D]. 侯永乐.浙江工商大学 2017
[3]中国股市暴涨暴跌的原因及对策分析[D]. 董若斌.天津财经大学 2017
[4]情绪因子与股票截面收益[D]. 钟强.浙江工商大学 2017
[5]基于打分法多因子模型的量化选股策略实证分析[D]. 王雨.东北财经大学 2016
[6]神经网络和深度学习在量化投资中的应用[D]. 白凯敏.山东大学 2016
[7]基于市场有效性的上市公司财务信息与股价的关系研究[D]. 郭文君.华南理工大学 2015
[8]多因子选股模型的构建与应用[D]. 朱世清.山东财经大学 2015
本文编号：3203057
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/3203057.html
