配對交易是一種非常受歡迎的交易策略,它是通過利用市場的低效率來獲得利潤。配對交易的思想非常簡單,首先找到兩只價格走勢相似的股票,當(dāng)這兩只股票的價格差超過某一特定的閾值時,就對這兩只股票分別建立多空頭寸,直到這兩只股票的價格差回復(fù)到正常水平時,再對兩只股票進行反向平倉。神經(jīng)網(wǎng)絡(luò)以其獨特的非線性自適應(yīng)處理能力在預(yù)測中顯示出巨大的優(yōu)越性。一般情況下,金融時間序列預(yù)測需要根據(jù)歷史數(shù)據(jù)和時間序列之間的依賴關(guān)系來完成,而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)無法做到這一點。使用以前的事件來推斷后面的事件通常是用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）來完成。又由于傳統(tǒng)的RNN神經(jīng)網(wǎng)絡(luò)存在梯度消失等問題,因此,提出了一種特殊的RNN神經(jīng)網(wǎng)絡(luò)模型,即長短期記憶神經(jīng)網(wǎng)絡(luò)模型（LSTM）。本文還使用了布谷鳥搜索算法（CS）來優(yōu)化LSTM神經(jīng)網(wǎng)絡(luò)模型,也就是說,將時間序列輸入到LSTM神經(jīng)網(wǎng)絡(luò)中,尋找基于布谷鳥搜索算法的LSTM神經(jīng)網(wǎng)絡(luò)的最優(yōu)超參數(shù)。本文以滬深300成分股作為配對交易策略的研究對象,首先基于相關(guān)性分析劃分了相關(guān)系數(shù)區(qū)間,再在不同的區(qū)間中分別選擇協(xié)整關(guān)系較好的配對股票,采用了LSTM神經(jīng)網(wǎng)絡(luò)模型對配對股票的價差序列進行預(yù)測,其中,使用... 

【文章來源】：上海師范大學(xué)上海市

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

一個LSTM單元（4）反向傳播神經(jīng)網(wǎng)絡(luò)（BP）

第1章導(dǎo)論上海師范大學(xué)碩士學(xué)位論文8（3）可用的宿主鳥巢的數(shù)量是固定的，并且每一個宿主鳥發(fā)現(xiàn)布谷鳥的卵的可能性的概率在0到1之間，接著宿主鳥就會將布谷鳥的卵丟出鳥巢或者放棄現(xiàn)有的鳥巢，重新建一個新巢。在這三個規(guī)則的基礎(chǔ)上，布谷鳥尋找鳥巢的路徑和位置的更新公式是：)()()1(iLXXtitni.,,2,1（1-12）其中，)(tiX是第i個鳥巢在第t代時所對應(yīng)的位置，是點對點的乘積，是步長控制量，L是滿足萊維分布的萊維行走路徑。萊維飛行的隨機行走路徑是隨機產(chǎn)生的，所以能夠有效地避免陷入局部最優(yōu)。1.2.3技術(shù)路線本文的技術(shù)路線圖如下圖所示：圖1-2技術(shù)路線圖

第4章股票配對交易實證研究上海師范大學(xué)碩士學(xué)位論文26首先，計算兩只股票的相關(guān)系數(shù)，分別檢驗這兩只股票的平穩(wěn)性，在兩只股票滿足了同階單整的條件下，對這兩只股票進行最小二乘回歸，對回歸得到的殘差序列進行ADF單位根檢驗，得到對應(yīng)的檢驗概率值，該概率值越小，也就說明了兩只股票之間的協(xié)整關(guān)系越強。以這兩個區(qū)間中協(xié)整關(guān)系最強的配對股票為例，觀察這兩對配對股票的收盤價走勢圖。也就是陽光城(000671.XSHE)和廣發(fā)證券(000776.XSHE)這一配對股票，以及TCL集團(000100.XSHE)和寶鋼股份(600019.XSHG)這一配對股票。下面兩張圖分別是這兩對配對股票的收盤價走勢圖，可以看到，它們的走勢都非常的相似。圖4-1陽光城和廣發(fā)證券的收盤價的走勢圖圖4-2TCL集團和寶鋼股份的收盤價的走勢圖以這兩對配對股票為例，對它們分別進行平穩(wěn)性檢驗，檢驗結(jié)果如下所示。

【參考文獻】：
期刊論文
[1]基于價差預(yù)測的商品期貨跨期套利研究[J]. 周亮.  金融理論與實踐. 2019(07)
[2]基于神經(jīng)網(wǎng)絡(luò)的股票配對交易策略研究[J]. 葉仕杜,黎中彥.  信息技術(shù)與信息化. 2019(05)
[3]基于時空優(yōu)化長短期記憶網(wǎng)絡(luò)與煙花算法的AQI預(yù)測[J]. 趙儉輝,董婷,蔡波.  武漢大學(xué)學(xué)報(理學(xué)版). 2019(03)
[4]基于自適應(yīng)螢火蟲算法的BP神經(jīng)網(wǎng)絡(luò)股價預(yù)測[J]. 劉園園,賀興時.  渭南師范學(xué)院學(xué)報. 2019(02)
[5]基于混合神經(jīng)網(wǎng)絡(luò)模型預(yù)測下的統(tǒng)計套利研究[J]. 鄧曉衛(wèi),章鋮斌.  統(tǒng)計與決策. 2019(01)
[6]LSTM模型在中國A股市場的應(yīng)用[J]. 張蜀林,趙雄飛.  全國流通經(jīng)濟. 2018(35)
[7]SDAE-LSTM模型在金融時間序列預(yù)測中的應(yīng)用[J]. 黃婷婷,余磊.  計算機工程與應(yīng)用. 2019(01)
[8]基于CNN-LSTM網(wǎng)絡(luò)分析金融二級市場數(shù)據(jù)[J]. 文宇.  電子設(shè)計工程. 2018(17)
[9]LSTM神經(jīng)網(wǎng)絡(luò)在股票價格趨勢預(yù)測中的應(yīng)用——基于美港股票市場個股數(shù)據(jù)的研究[J]. 鄧鳳欣,王洪良.  金融經(jīng)濟. 2018(14)
[10]基于特征選取與LSTM模型的股指預(yù)測方法研究[J]. 陳佳,劉冬雪,武大碩.  計算機工程與應(yīng)用. 2019(06)



本文編號：3289139