基于神经网络的股票多因子模型研究

发布时间：2021-08-15 13:08

　　随着我国金融市场的不断完善,量化投资在我国的发展也越来越快,量化投资基金也越来越多。而量化多因子选股模型因为其风险可控性好、策略容量大、超额收益稳定等特点一直在量化投资领域扮演重要的角色。基于因子与收益率之间存在近似线性关系假定的多因子选股模型,大多采取多空组合的方式获取稳定的超额收益。但是在我国做空手段匮乏、成本较高,而且近似线性关系也难以保证筛选出高收益率组合的股票正确率。因此,传统的多因子选股模型如何在我国市场构建稳定收益的投资组合存在较大的问题。而神经网络技术作为机器学习中分类器的算法模型,具有非线性拟合、自适应强、普适性好的优点,可以很好地适应金融市场中噪声大、数据多、因子与收益率关系不局限于线性的情况,从而使得通过神经网络算法改善多因子选股模型成为可能。本文首先对传统多因子选股模型的实证与缺陷进行分析,确定模型的主要评价方式为筛选出高收益组的正确率与收益率。然后使用神经网络模型对市盈率单因子和相对价值多因子进行分析,确定神经网络模型具体训练流程、迭代训练函数与模型可行性。最后通过分类筛选、二次整合的方式优化神经网络模型的全股策略。结果表明,通过神经网络模型可以有效提高因子数... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：54 页

【学位级别】：硕士

【部分图文】：

本文的研究框架

- = ( ) = 2 2（3-6）3.1.2 BP 神经网络神经网络是通过不同的层次架构将神经元进行连接运算，从而让完成各类复杂的分类与拟合任务。神经网络的架构按照连接方式的不同可以分为层次性网络和互通型网络两种结构。在本次论文中选择前馈型多层次的神经网络：BP 网络进行模型的设计。BP（BackPropagation）神经网络具有普适性、自适应、泛化等优势，可以通过中间层的设计逼近任意的非线性函数，并且通过对带有标签的实例数据提取相应规则，可以很好对数据中噪声数据进行处理，从而较好的应对生活中的复杂问题。图 3-1 为 BP 神经网络的网络架构图，输入向量为X = ( ) ,隐含层向量为Y = ( ) ，输出层输出向量为O = ( ) ，原始目标输出向量为 = ( ) 。且将输入层与隐含层之间的链接权重矩阵定为 V，隐含层到输出层之间的权重矩阵定为 W。

Scaled Conjugate Gradient，简ation，简称 RP）[28]三种迭代下优化的目的。简单迭代中朝最优方向曲折前法的弱点进行仔细研究，从图方向进行迭代[39]，所以会产生在共轭梯度法中，我们会找到方向，即他不会撤销该方向上。 在极小值处，线搜索停止最速下降算法中，下一个迭代会保持前一搜索方向上的最小方向共轭的搜索方向，即它不会搜索方向为： = ( )

【参考文献】：
期刊论文
[1]基于优化Adaboost迭代过程的SVM集成算法[J]. 田一明,陈伟,单新颖.  无线互联科技. 2017(15)
[2]基于Alpha策略的量化投资研究[J]. 杨喻钦.  中国市场. 2015(25)
[3]中国股市存在Alpha吗?——基于2014年中小盘股的实证研究[J]. 张欣.  商. 2015(14)
[4]中国A股上市公司股票业绩评价——试用主成分和因子分析法分析[J]. 张举.  辽宁经济. 2015(03)
[5]基于小波分析与神经网络时间序列的股票预测方法[J]. 王刚,许晓兵.  金融经济. 2013(12)
[6]核主成分遗传算法与SVR选股模型改进[J]. 苏治,傅晓媛.  统计研究. 2013(05)
[7]基于BP神经网络的股价趋势分析[J]. 许兴军,颜钢锋.  浙江金融. 2011(11)
[8]FF三因子模型在上海A股市场实证分析[J]. 吴强.  金融经济. 2011(12)
[9]基于自适应遗传算法优化BP神经网络[J]. 李辉,蔡敏,陈斌.  信息化研究. 2010(09)
[10]基于BP神经网络智能交易系统的设计[J]. 贾国芳.  微计算机应用. 2007(11)

硕士论文
[1]因子选股模型在中国市场的实证研究[D]. 刘毅.复旦大学 2012
[2]证券投资组合选股与优化策略应用研究[D]. 马辉.东华大学 2012
[3]沪深300股指期货Alpha套利策略研究[D]. 龚笑.华中科技大学 2011
[4]多因子定价模型理论及在中国股票市场的检验[D]. 王小龙.武汉大学 2005



本文编号：3344612