量化交易中择时分析应用与研究
发布时间：2021-08-26 02:47
证券市场交易具有高风险高收益的特征,吸引着大量投资者关注。传统投资主要以人的意志思想为主,受到人脑的信息处理能力,以及人的情绪、知识、认知等多方面因素的制约,在进行投资过程中往往表现得盲目或者过激。量化投资交易策略以数据为基础,结合数学、概率论等多学科的科学知识,加以有证的金融学知识辅助,制定高效的投资策略,利用计算机的高效、高纪律性等特点进行投资,能够很好的解决有人性带来的各种不足。传统意义上的量化投资交易策略结合证券数据进行分析,这种方案更加趋向于使用计算机进行技术面分析。证券市场具有显著的动荡特点,传统算法往往无法很好地应对价格趋势地变化,泛化能力较弱。因此本文使用人工智能的方式,对量化投资交易进行了研究。首先,使用基于图形识别地CNN模型,对股票市场数据进行训练,预测未来走势。使用训练模型给出的预测结果结合逻辑回归的策略模型,针对2016年至2019年沪深300的部分数据进行了回测。回测结果表明,基于图形识别的量化交易策略模型,能够在一定程度上对未来一段时间的走势进行预测,择时结果在大概率上也能够带来超出平均的收益。CNN图形识别模型越策走势的准确率约为75%,结合逻辑回归模型...
【文章来源】：长江大学湖北省
【文章页数】：50 页
【学位级别】：硕士
【部分图文】：
常见交易软件行情信息与移动平均线指标Figure2-1Commontradingmarketinformationandmovingaverageindex
13分别表示大买和大卖单。2.2.2日内数据指标特征选取日内交易数据属于高频数据，一般分为逐笔数据，和分笔数据。逐笔数据是指每一笔成交单与之对应的实盘价格、挂单量等数据，分笔数据是指短时间内，以同一个价格成交的多个逐笔数据的综合数据。由于逐笔数据过小过细，无法反应实际交易场景，研究过程中使用分笔数据进行量化择时研究。分笔数据一般由成交时间、成交价格、成交笔数、成交额、成交量、买卖盘、买一至买五价与量、卖一至买五价与量构成。同时level2行情中有更细化的多档行情数据，由于level2数据体量过大，成本过高，本研究中仅基于五档行情进行。交来易委托买卖股票遵循“价格优先，时间优先”原则。所以会系统会将卖出源方以价格最低开始排列，列出五种价格，即卖一卖二卖三卖四卖五。买入方以价格最高开始排列，列出五种价格，即买一买二买三买四买五。而无论卖方还是买方，每一种价格双以时间优先来进行排队。于是就形成了价格平衡态。一旦一个价格打破了这种平衡，超出卖一价购买，或低于买一价售卖，就形成了一笔交易。买卖盘即表示形成交易的方式，买盘表示主动买，以卖一价成交，用B表示，卖盘表示主动卖，以买一价成交，用S表示。如下图2-2所示。图2-2分笔数据Figure2-2Subdividingdata2.3自定义大资金计算指标在自由交易的股票市场中，充斥着空多双方的博弈，因此形成了大量表象数据。比如为了营造价格持续上涨的行情，通常使用多个账号，一个卖出一个买入，进而抬高股票价格，反之亦然。或者为了营造交易量，使股票表现得活跃，也通常使用多个账户进行仓位转移，制造成交量。因此也形成托盘、压盘的现象。为了避免由于此类操作对择时分析的影响，需要先对分笔数据进行过滤，排除恶意数据。
16特定的数据区间的算法。首先计算标准差，公式如下3-1所示。公式3-1其中均值μ=0，σ=1，则z-score标准化转换公式如下公式3-2所示。公式3-2把输入的样本数据进行归一化处理之后，使用PythonMatplotlib库绘制出股票的走势图，以浦发银行、中国平安股票为例，绘制效果如下图3-1所示。图3-1浦发银行、中国平安股票K线归一化图形Figure3-1NormalizedfigureofK-line3.2基于卷积神经网络的K线图形学习方法3.2.1深度学习应用深度学习诞生自人工神经网络。伦多大学教授Hinton在2006年在《科学》杂志上发表论文《深度信念网络的一种快速学习算法[37]》，一举解决了包含多个隐藏层的神经网络问题，并由此提出了深度学习的概念。深度学习是具有多个隐藏层的神经网络结构，在许多领域都取得了突破。在实际应用中，通常可以分为两个阶段。首先是深度学习网络结构的形成阶段。深度学习可以从底层（输入层）到高层（输出层）逐层提取特征，以建立属性类别或特征表示形式的映射关系，在这种网络结构的形成中，深度学习可以不受监督地提取功能，而不是预先执行手动操作提取，大大减少了工作量；其次是深度学习网络在网络结构的应用阶段，一旦网络结构形成，系统就将具备通过向网络结构中输入向量，并获取输出结果的能力。京东公司通过深度神经网络学习，可以基本掌握每个顾客的情绪，性格和心理
【参考文献】：
期刊论文
[1]混沌时间序列分析与预测研究综述[J]. 韩敏,任伟杰,李柏松,冯守渤. 信息与控制. 2020(01)
[2]基于改进AdaBoost算法的选股模型[J]. 贺超,吴飞,何洋,朱海. 智能计算机与应用. 2020(02)
[3]当你听到了敲门声……[J]. 风信子. 中学生天地（A版）. 2020(02)
[4]应用深度学习神经网络的图像识别系统[J]. 彭欣仪,李磊. 福建电脑. 2020(01)
[5]基于双层特征融合的生物识别[J]. 孔俊. 北华大学学报(自然科学版). 2020(01)
[6]基于两步法带宽选择的金融时间序列长记忆参数估计[J]. 盛积良,欧阳道中. 数理统计与管理. 2020(01)
[7]基于高频交易数据的波动率及量化交易研究[J]. 王颜溶,董莹莹,冯小珊. 现代商业. 2019(09)
[8]量化投资交易策略研究[J]. 郭笑宇. 财经界(学术版). 2019(02)
[9]机器学习方法在股指期货预测中的应用研究——基于BP神经网络、SVM和XGBoost的比较分析[J]. 黄卿,谢合亮. 数学的实践与认识. 2018(08)
[10]基于隐马尔可夫模型在股票择时上的应用与研究[J]. 王旷羽. 电脑编程技巧与维护. 2018(04)
博士论文
[1]金融风险价值量化分析的模型与实证[D]. 彭选华.重庆大学 2011
硕士论文
[1]量化交易中股票择时的策略研究[D]. 吴桂雯.天津商业大学 2017
[2]基于BP神经网络的股票量化分析研究[D]. 陈丽丽.浙江工业大学 2017
[3]基于文本挖掘的投资者情绪驱动策略模型及其应用研究[D]. 李卫康.湖南大学 2017
[4]遗传算法和灰色预测模型的研究及应用[D]. 张锦秀.宁波大学 2015
[5]程序化交易算法模型的研究[D]. 郭燕.山东大学 2012
[6]电子商务中非可信主体间的交易撮合[D]. 李鹏.复旦大学 2011
[7]海南证券业区域发展问题研究[D]. 张钧皓.东北师范大学 2011
[8]上市公司大股东与真实活动盈余管理的实证研究[D]. 张语恩.湘潭大学 2011
[9]撮合交易在云南装备制造业网站建设中的应用研究[D]. 史红玉.云南大学 2010
[10]证券纠纷仲裁制度研究[D]. 戴龙凤.对外经济贸易大学 2005
本文编号：3363388
【文章来源】：长江大学湖北省
【文章页数】：50 页
【学位级别】：硕士
【部分图文】：
常见交易软件行情信息与移动平均线指标Figure2-1Commontradingmarketinformationandmovingaverageindex
13分别表示大买和大卖单。2.2.2日内数据指标特征选取日内交易数据属于高频数据，一般分为逐笔数据，和分笔数据。逐笔数据是指每一笔成交单与之对应的实盘价格、挂单量等数据，分笔数据是指短时间内，以同一个价格成交的多个逐笔数据的综合数据。由于逐笔数据过小过细，无法反应实际交易场景，研究过程中使用分笔数据进行量化择时研究。分笔数据一般由成交时间、成交价格、成交笔数、成交额、成交量、买卖盘、买一至买五价与量、卖一至买五价与量构成。同时level2行情中有更细化的多档行情数据，由于level2数据体量过大，成本过高，本研究中仅基于五档行情进行。交来易委托买卖股票遵循“价格优先，时间优先”原则。所以会系统会将卖出源方以价格最低开始排列，列出五种价格，即卖一卖二卖三卖四卖五。买入方以价格最高开始排列，列出五种价格，即买一买二买三买四买五。而无论卖方还是买方，每一种价格双以时间优先来进行排队。于是就形成了价格平衡态。一旦一个价格打破了这种平衡，超出卖一价购买，或低于买一价售卖，就形成了一笔交易。买卖盘即表示形成交易的方式，买盘表示主动买，以卖一价成交，用B表示，卖盘表示主动卖，以买一价成交，用S表示。如下图2-2所示。图2-2分笔数据Figure2-2Subdividingdata2.3自定义大资金计算指标在自由交易的股票市场中，充斥着空多双方的博弈，因此形成了大量表象数据。比如为了营造价格持续上涨的行情，通常使用多个账号，一个卖出一个买入，进而抬高股票价格，反之亦然。或者为了营造交易量，使股票表现得活跃，也通常使用多个账户进行仓位转移，制造成交量。因此也形成托盘、压盘的现象。为了避免由于此类操作对择时分析的影响，需要先对分笔数据进行过滤，排除恶意数据。
16特定的数据区间的算法。首先计算标准差，公式如下3-1所示。公式3-1其中均值μ=0，σ=1，则z-score标准化转换公式如下公式3-2所示。公式3-2把输入的样本数据进行归一化处理之后，使用PythonMatplotlib库绘制出股票的走势图，以浦发银行、中国平安股票为例，绘制效果如下图3-1所示。图3-1浦发银行、中国平安股票K线归一化图形Figure3-1NormalizedfigureofK-line3.2基于卷积神经网络的K线图形学习方法3.2.1深度学习应用深度学习诞生自人工神经网络。伦多大学教授Hinton在2006年在《科学》杂志上发表论文《深度信念网络的一种快速学习算法[37]》，一举解决了包含多个隐藏层的神经网络问题，并由此提出了深度学习的概念。深度学习是具有多个隐藏层的神经网络结构，在许多领域都取得了突破。在实际应用中，通常可以分为两个阶段。首先是深度学习网络结构的形成阶段。深度学习可以从底层（输入层）到高层（输出层）逐层提取特征，以建立属性类别或特征表示形式的映射关系，在这种网络结构的形成中，深度学习可以不受监督地提取功能，而不是预先执行手动操作提取，大大减少了工作量；其次是深度学习网络在网络结构的应用阶段，一旦网络结构形成，系统就将具备通过向网络结构中输入向量，并获取输出结果的能力。京东公司通过深度神经网络学习，可以基本掌握每个顾客的情绪，性格和心理
【参考文献】：
期刊论文
[1]混沌时间序列分析与预测研究综述[J]. 韩敏,任伟杰,李柏松,冯守渤. 信息与控制. 2020(01)
[2]基于改进AdaBoost算法的选股模型[J]. 贺超,吴飞,何洋,朱海. 智能计算机与应用. 2020(02)
[3]当你听到了敲门声……[J]. 风信子. 中学生天地（A版）. 2020(02)
[4]应用深度学习神经网络的图像识别系统[J]. 彭欣仪,李磊. 福建电脑. 2020(01)
[5]基于双层特征融合的生物识别[J]. 孔俊. 北华大学学报(自然科学版). 2020(01)
[6]基于两步法带宽选择的金融时间序列长记忆参数估计[J]. 盛积良,欧阳道中. 数理统计与管理. 2020(01)
[7]基于高频交易数据的波动率及量化交易研究[J]. 王颜溶,董莹莹,冯小珊. 现代商业. 2019(09)
[8]量化投资交易策略研究[J]. 郭笑宇. 财经界(学术版). 2019(02)
[9]机器学习方法在股指期货预测中的应用研究——基于BP神经网络、SVM和XGBoost的比较分析[J]. 黄卿,谢合亮. 数学的实践与认识. 2018(08)
[10]基于隐马尔可夫模型在股票择时上的应用与研究[J]. 王旷羽. 电脑编程技巧与维护. 2018(04)
博士论文
[1]金融风险价值量化分析的模型与实证[D]. 彭选华.重庆大学 2011
硕士论文
[1]量化交易中股票择时的策略研究[D]. 吴桂雯.天津商业大学 2017
[2]基于BP神经网络的股票量化分析研究[D]. 陈丽丽.浙江工业大学 2017
[3]基于文本挖掘的投资者情绪驱动策略模型及其应用研究[D]. 李卫康.湖南大学 2017
[4]遗传算法和灰色预测模型的研究及应用[D]. 张锦秀.宁波大学 2015
[5]程序化交易算法模型的研究[D]. 郭燕.山东大学 2012
[6]电子商务中非可信主体间的交易撮合[D]. 李鹏.复旦大学 2011
[7]海南证券业区域发展问题研究[D]. 张钧皓.东北师范大学 2011
[8]上市公司大股东与真实活动盈余管理的实证研究[D]. 张语恩.湘潭大学 2011
[9]撮合交易在云南装备制造业网站建设中的应用研究[D]. 史红玉.云南大学 2010
[10]证券纠纷仲裁制度研究[D]. 戴龙凤.对外经济贸易大学 2005
本文编号：3363388
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3363388.html
最近更新
教材专著
