量化投資有著紀律性、系統(tǒng)性和分散化投資等諸多優(yōu)點,因此其越來越受到學術界和投資界的關注。近些年隨著人工智能和深度學習技術的發(fā)展,學者與投資實踐者把更多的機器學習算法應用到投資領域的各個方面并取得了不錯的投資收益。與成熟的海外市場相比,量化投資在國內市場具有更廣闊的發(fā)展空間和研究價值,本文基于國內市場上對數(shù)據挖掘和深度學習在量化選股和統(tǒng)計套利中的應用進行了研究,提出了基于深度模型和譜方法的組合選股模型。文章的主要工作分為如下三個部分:1.將深度學習算法應用到量化選股的問題中。本文用IRGAN(Information Retrieval in Generative Adversarial Networks)作為選股模型,然后設計了一個卷積網絡結構并嵌套在IRGAN的生成器和判別器組件中,根據模型的輸出得到選股結果。實驗結果表明,本文方法在選擇高收益率股票上的精度優(yōu)于其他對比方法。2.將譜方法應用到統(tǒng)計套利選擇價格曲線相似的股票組合的問題中。本文用動態(tài)時間規(guī)整距離替換歐氏距離作為股票的距離度量,通過譜聚類算法聚類產生相似股票組合。實驗結果表明,在中低頻時間尺度上,本文方法分析出的相似股票組合... 

【文章來源】：南京大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

圖２－２：?１ＲＧＡＮ結構示意圖??

省計算資源而且在處理稀疏數(shù)據上有不錯的效果。另外一方面，譜聚類在聚類??過程中會對樣本數(shù)據進行降維處理，降低了算法的計算復雜度而且在一定程度??上可以從原始樣本數(shù)據中提取出更有效的中間特征表示，這一點在選股投資問??題中的作用更加明顯。??２．６動態(tài)時間規(guī)整??動態(tài)時間規(guī)整起源于語音識別，最初是為了解決兩個發(fā)音速度不同但是發(fā)??音類別相同的語音序列的模式匹配問題。目前動態(tài)時間規(guī)整更廣泛的用法是用??于衡量兩個時間序列的相似性。??相較于普通的歐式距離，動態(tài)時間規(guī)整的優(yōu)點在于可以通過對時間序列進??行延伸和縮短，從而能夠應用于長度不相等的時間序列的相似性判斷，而且也??可以更加準確的判斷兩個時間序列的趨勢的相似性。??Ｙ?“??

圖３－１：?Ｉｎｃｅｐｔｉｏｎ結構示意圖??

【參考文獻】：
期刊論文
[1]基于協(xié)整的豆類期貨統(tǒng)計套利實證研究[J]. 顧全,雷星暉.  統(tǒng)計與決策. 2015(07)
[2]基于自適應遺傳算法的股票預測模型研究[J]. 張煒,范年柏,汪文佳.  計算機工程與應用. 2015(04)
[3]核主成分遺傳算法與SVR選股模型改進[J]. 蘇治,傅曉媛.  統(tǒng)計研究. 2013(05)
[4]利用技術分析驗證上海股票市場的非弱式有效性[J]. 李先流.  中小企業(yè)管理與科技(下旬刊). 2011(03)
[5]基于協(xié)整的股指期貨跨期套利策略模型[J]. 仇中群,程希駿.  系統(tǒng)工程. 2008(12)
[6]中國股票市場弱有效性的統(tǒng)計套利檢驗[J]. 吳振翔,陳敏.  系統(tǒng)工程理論與實踐. 2007(02)
[7]基于時間序列的支持向量機在股票預測中的應用[J]. 彭麗芳,孟志青,姜華,田密.  計算技術與自動化. 2006(03)
[8]技術分析與中國股票市場有效性[J]. 曾勁松.  財經問題研究. 2005(08)
[9]進化計算在選股決策中的應用研究[J]. 樓迎軍,楊義群.  技術經濟. 2005(03)



本文編號：2912709