NAR神经网络及EMD算法在量化交易中的应用

发布时间：2020-05-10 14:36

【摘要】：自从股票及期货市场诞生以来,人们就一直不断使用各种数据模型、机器学习以及数据挖掘等方法来预测股票价格的未来走势从而获取收益。其中神经网络机器学习算法被广泛使用,这是由于神经网络自身的高度自学习性,稳定性以及非线性拟合能力,相比于统计学以及计量经济学中的数学模型,神经网络用于预测金融时间序列更具优势。在全球股票市场中电子化交易平台发挥着越来越重要的作用,量化交易规模不断增加。西方国家很多投资机构都在使用量化交易,其表现出程序化交易等特点,获得广泛关注。中国证券市场采取T+1交易制度,所以本文选取期货市场中的股指期货作为研究对象,使用神经网络技术、EMD(Empirical Mode Decomposition,经验模态分解)技术进行量化建模,提出EMD-NAR量化择时策略,并对其进行深入研究,并与量化交易系统中常用的双均线交易系统、DualThrust交易系统进行对比回测,通过实际测试发现,EMD-NAR量化择时策略在各项指标上均大幅优于双均线交易系统、DualThrust交易系统,是一种非常适用于短线交易的量化交易系统。本文突破了传统的使用神经网络对价格预测的惯性思维,转而寻找利用神经网络实现对量化交易策略的实现方法。首先提出使用EMD算法对原始时间序列进行分解,并从其分解出的本征模函数中组合出处处连续可导的低频趋势项,使用神经网络对低频趋势项进行预测,达到了极佳的拟合效果。而后从EMD算法分解出的本征模函数中组合出高频噪声项,并对其进行了特性分析,得到了其均值回归的特性,并进一步运用在择时交易里。最后结合EMD算法和NAR(Nonlinear Auto Regressive models非线性自回归网络)神经网络设计出了EMD-NAR量化择时策略,对低频趋势项使用NAR神经网络进行预测,对高频噪声项使用其均值回归原理进行分析,综合两方因素发出交易信号实现了高胜率、稳定回报的量化择时策略。
【图文】：

元结,生物神经元

图 1 物神元结图生物神经元之间彼此连接、通信的接口，一个生物神经元细物神经元细胞的树突彼此接触的分解点，其位于生物神经元经元的突触是轴突的终点。可认为是一千多亿个神经元细胞组合而成的神经网络。生物认为是一种电化学作用。树突神经由于电化学活动接受到内的生物活动表现出轴突电位，一旦轴突电位达到了一定的信号或动作信号；而后通过轴突末梢继续传递给其它的神经度来看；这种过程可被认为是一个多输入、单输出的非线性：，有些研究人员阐述了 M-P 模型，M-P 模型可以实现面对生

示意图,示意图,激活函数,生物神经元

生物神经元在很多方面都类似于 MP 模型，我们将其类比具体如下：图 3 物神元和 MP 模型的类比图2) 激活函数：激活函数在本次课题研究中具体被视为滤波器，其可以实现对外界多种信号的接收，其对函数进行调整，然后实现期望值的输出。ANN 主要使用了以下的激活函数:ANN 主要使用了阈值函数；ANN 主要使用了分段函数；ANN 主要使用了双极性连续函数。3) 学习算法:神经网络可以进行自我学习，，通常情况下我们将其视为训练，指导思想具体如下：
【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F724.5;F323.7;F832.5;TP183

【参考文献】