基于趋势与反转的在线投资策略

发布时间：2024-01-29 07:39

　　在线投资组合选择是计算金融研究中的基础问题,近年来吸引了人工智能和机器学习领域的专家投入该领域。它基于资本增长理论和在线学习理论,设计合理的在线学习算法来指导投资组合的构建。已有的研究成果显示,股票价格既存在趋势(动量、惯性)效应也存在反转效应,据此有学者分别构建了跟随赢家策略和跟随输家策略,并取得了较好的效果。尽管现有的策略在一些真实数据集上表现较好,但它们只利用一种效应来构建在线投资组合选择模型,不一定符合市场环境可能同时存在趋势效应和反转效应的现实。为了贴近实际市场,本文设计了排除趋势效应的反转策略算法和排除反转效应的趋势策略算法,以更好地把握市场变化,捕捉交易机会。这两个算法模型基于PA(Passive Aggressive)算法,同时考虑趋势与反转效应,利用凸优化技术求解得到了相应的在线投资策略,并在真实数据上进行了策略测试。从实验结果来看,本文设计的三个策略表现均较好,尤其是排除趋势效应的反转策略表现相较其他策略都要好。另外,对策略算法涉及的参数本文也进行了参数敏感性测试,表明算法对参数变化比较稳定。最后,为了考察策略的有效性,本文也分析了在线投资策略的可靠性。

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 问题提出与研究方法
        1.2.1 问题提出
        1.2.2 研究方法
    1.3 论文结构与研究内容
    1.4 论文的创新
第2章 文献综述
    2.1 在线投资策略方面的文献
        2.1.1 基准策略
        2.1.2 跟随赢家策略
        2.1.3 跟随输家策略
        2.1.4 基于模式匹配的策略
        2.1.5 元学习算法
        2.1.6 总结
    2.2 股票市场价格波动异象
        2.2.1 股票趋势效应
        2.2.2 股票反转效应
第3章 在线投资组合算法模型
    3.1 股票反转效应的量化
        3.1.1 简单移动平均法预测价格
        3.1.2 一次指数移动平均法预测价格
    3.2 股票趋势效应的量化
        3.2.1 二次指数移动平均预测价格
        3.2.2 OLS拟合价格序列的斜率
    3.3 在线投资组合算法框架
        3.3.1 排除趋势效应的反转策略算法框架
        3.3.2 排除反转效应的趋势策略算法框架
第4章 基于趋势与反转的在线投资策略
    4.1 排除趋势效应的反转策略
    4.2 排除反转效应的趋势策略
    4.3 策略时间复杂度分析
第5章 实验
    5.1 数据集的说明
    5.2 实验的设置与指标
        5.2.1 实验设置
        5.2.2 策略评价指标的说明
    5.3 对比策略
    5.4 实验结果
        5.4.1 评估累积收益
        5.4.2 风险与收益
        5.4.3 统计检验
        5.4.4 参数敏感性
        5.4.5 策略可靠性分析
结论
参考文献
致谢
附录A:最优化问题OLR的求解过程
附录B:最优化问题OLT的求解过程
附录C:本文实验部分使用的股票数据
附录D:相关算法的python代码



本文编号：3887914