基于深度学习的LM跳侦测高频量化交易策略研究

发布时间：2021-06-24 16:39

　　量化投资,作为近三十年新兴的技术方法,逐渐成为当今全球主流的投资方式。同时,伴随着互联网技术与计算机科学的不断发展,金融市场信息量的增长已远远超越人脑可处理的范围,相比于传统的投资方法,量化投资的优势正逐渐显现。该领域研究创新亟需不同学科进行交叉融合,越来越多的研究者已经开始尝试利用计算机智能等相关技术结合金融理论研究来构建量化策略。目前,随着资产价格跳侦测技术的不断成熟,市场微观结构中的典型现象不断被发掘和印证,如何利用这些典型现象构造投资策略大有可为,在这样的大背景下,本文基于跳侦测方法与技术,并融合深度学习,针对国内股指期货市场,构建高频量化投资策略;回测结果表明:该策略无论从收益情况还是风控业绩来看均表现出色,由此对理论研究者和实务操作者都有着十分重要的意义。首先,系统地梳理、总结现有跳跃侦测相关理论和方法,其中重点介绍Lee和Mykland提出的无参数跳跃侦测方法,并分析选取该方法的原因。在此基础上,说明现有跳侦测方法存在的问题并提出融合深度技术的LM跳侦测方法创新思路。然后,应用LM跳侦测方法,对沪深300股指期货1分钟价格过程中的价格跳跃进行监测,挖掘出标的价格通常以跳跃... 

【文章来源】：广东工业大学广东省

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

卷积神经网络示意图

深度置信网络示意图

技术路线图

【参考文献】：
期刊论文
[1]深度学习的金融实证应用:动态、贡献与展望[J]. 苏治,卢曼,李德轩.  金融研究. 2017(05)
[2]ML-TEA:一套基于机器学习和技术分析的量化投资算法[J]. 李斌,林彦,唐闻轩.  系统工程理论与实践. 2017(05)
[3]基于DBN的金融时序数据建模与决策[J]. 曾志平,萧海东,张新鹏.  计算机技术与发展. 2017(04)
[4]智能投顾的发展现状及监管建议[J]. 姜海燕,吴长凤.  证券市场导报. 2016(12)
[5]量化投资和高频交易:风险、挑战及监管[J]. 彭志.  南方金融. 2016(10)
[6]基于栈式自动编码的图像哈希算法[J]. 张春雨,韩立新,徐守晶.  电子测量技术. 2016(03)
[7]基于变量选择和遗传网络规划的期货高频交易策略研究[J]. 陈艳,王宣承.  中国管理科学. 2015(10)
[8]高频交易的技术特征、发展趋势及挑战[J]. 蓝海平.  证券市场导报. 2014(04)
[9]中国股市跳跃行为与股指期货定价表现的实证分析[J]. 陈强,郑旭,潘志远.  投资研究. 2013(06)
[10]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)

博士论文
[1]一种金融市场预测的深度学习模型：FEPA模型[D]. 张承钊.电子科技大学 2016



本文编号：3247456