傳統(tǒng)多因子選股模型構(gòu)建多采用打分法或者線性回歸,很難挖掘一些復(fù)雜的非線性關(guān)系。對(duì)于挖掘變量間的非線性關(guān)系的方法,一種直觀的方法是采用神經(jīng)網(wǎng)絡(luò)進(jìn)行構(gòu)建模型,故構(gòu)建一個(gè)基于神經(jīng)網(wǎng)絡(luò)的模型來挖掘潛在的非線性關(guān)系是本文的研究方向。但是在這個(gè)過程中,構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型會(huì)面臨梯度消失問題和無法規(guī)避金融市場(chǎng)潛在系統(tǒng)風(fēng)險(xiǎn)問題,這將最終導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型預(yù)期效果不太理想。針對(duì)上述問題,本文主要研究如何將傳統(tǒng)多因子模型和神經(jīng)網(wǎng)絡(luò)算法結(jié)合,構(gòu)建基于RNN-ACT算法的多因子選股模型來挖掘潛在的非線性關(guān)系。通過提高神經(jīng)網(wǎng)絡(luò)復(fù)雜度來解決梯度消失問題,同時(shí)針對(duì)模型存在的潛在系統(tǒng)風(fēng)險(xiǎn)問題,創(chuàng)新性的提出相對(duì)奇異點(diǎn)概念,基于相對(duì)奇異點(diǎn)有意義片段檢測(cè)進(jìn)行倉位管理與風(fēng)險(xiǎn)控制,優(yōu)化與拓展RNN-ACT多因子選股模型。本文構(gòu)建的模型能較好解決了梯度消失問題,且在金融市場(chǎng)的模擬環(huán)境下累計(jì)收益率超出基準(zhǔn)（滬深300指數(shù)）的業(yè)績(jī)表現(xiàn)。通過與傳統(tǒng)多因子模型、LSTM模型以及離線學(xué)習(xí)模型的對(duì)比,發(fā)現(xiàn)超額累計(jì)收益率走勢(shì)相差大,證明本文模型通過在線學(xué)習(xí)可以較好地對(duì)股票收益率進(jìn)行預(yù)測(cè),且能夠不斷適應(yīng)市場(chǎng)環(huán)境的變化。且在規(guī)避潛在系統(tǒng)風(fēng)險(xiǎn)的問題上,... 

【文章來源】：昆明理工大學(xué)云南省

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 目的及意義
    1.2 研究現(xiàn)狀綜述
    1.3 研究思路和行文框架
        1.3.1 研究思路
        1.3.2 論文結(jié)構(gòu)
第二章 相關(guān)理論概述
    2.1 金融時(shí)間序列
    2.2 多因子選股模型
        2.2.1 回歸法
        2.2.2 打分法
        2.2.3 分類法
    2.3 RNN遞歸神經(jīng)網(wǎng)絡(luò)
    2.4 本章小結(jié)
第三章 RNN-ACT模型與奇異點(diǎn)的有意義片段檢測(cè)
    3.1 RNN-ACT模型
        3.1.1 RNN-ACT結(jié)構(gòu)
        3.1.2 RNN-ACT算法
        3.1.3 RNN-ACT模型優(yōu)點(diǎn)
    3.2 奇異點(diǎn)的有意義片段檢測(cè)
        3.2.1 奇異點(diǎn)的定義
        3.2.2 相對(duì)奇異點(diǎn)的定義
        3.2.3 奇異點(diǎn)的有意義片段檢測(cè)的意義
        3.2.4 短期趨勢(shì)的定義與檢測(cè)
        3.2.5 反轉(zhuǎn)形態(tài)定義與檢測(cè)
        3.2.6 奇異點(diǎn)有意義片段檢測(cè)
    3.3 本章小結(jié)
第四章 多因子模型構(gòu)建與實(shí)證分析
    4.1 理論模型構(gòu)建
    4.2 數(shù)據(jù)預(yù)處理與因子篩選
        4.2.1 數(shù)據(jù)準(zhǔn)備
        4.2.2 數(shù)據(jù)結(jié)構(gòu)
        4.2.3 候選因子的選取
        4.2.4 數(shù)據(jù)預(yù)處理
        4.2.5 因子有效性檢驗(yàn)及篩選
    4.3 模型參數(shù)設(shè)置
    4.4 模型結(jié)果分析
        4.4.1 學(xué)習(xí)性能
        4.4.2 收益對(duì)比
        4.4.3 不同分位數(shù)比較
        4.4.4 離線學(xué)習(xí)模型的對(duì)比分析
    4.5 模型參數(shù)優(yōu)化
        4.5.1 RNN-ACT參數(shù)優(yōu)化
        4.5.2 訓(xùn)練窗口參數(shù)優(yōu)化
    4.6 模型的拓展與優(yōu)化
        4.6.1 基于奇異點(diǎn)模型的倉位管理
        4.6.2 奇異點(diǎn)模型有效性檢驗(yàn)
    4.7 本章小結(jié)
第五章 總結(jié)與展望
    5.1 研究總結(jié)
    5.2 論文工作
    5.3 未來展望
致謝
參考文獻(xiàn)
附錄 攻讀碩士期間的研究成果
附錄1 候選因子列表
附錄2 因子IC絕對(duì)值大于2%的因子列表
附錄3 因子t檢驗(yàn)結(jié)果
附錄4 最終因子篩選結(jié)果


【參考文獻(xiàn)】：
期刊論文
[1]基于遞歸神經(jīng)網(wǎng)絡(luò)的文本分類研究[J]. 黃磊,杜昌順.  北京化工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(01)
[2]基于ARMA模型對(duì)余額寶未來收益的預(yù)測(cè)[J]. 劉書真,封惠子,袁錚.  時(shí)代金融. 2014(12)
[3]使用隨機(jī)森林算法實(shí)現(xiàn)優(yōu)質(zhì)股票的選擇[J]. 曹正鳳,紀(jì)宏,謝邦昌.  首都經(jīng)濟(jì)貿(mào)易大學(xué)學(xué)報(bào). 2014(02)
[4]多因子投資組合選擇模型研究[J]. 王艷萍,陳志平,陳玉娜.  工程數(shù)學(xué)學(xué)報(bào). 2012(06)
[5]遺傳算法改進(jìn)策略研究[J]. 夏季.  信息與電腦(理論版). 2012(11)
[6]基于價(jià)值投資的Piotroski選股策略實(shí)證研究[J]. 殷鑫,鄭豐,崔積鈺,趙莊.  時(shí)代金融. 2012(23)
[7]支持向量機(jī)與RBF神經(jīng)網(wǎng)絡(luò)回歸性能比較研究[J]. 劉蘇蘇,孫立民.  計(jì)算機(jī)工程與設(shè)計(jì). 2011(12)
[8]證券投資技術(shù)分析存在的問題及對(duì)策[J]. 康劍南.  商場(chǎng)現(xiàn)代化. 2010(31)
[9]基于時(shí)間序列分析的股價(jià)預(yù)測(cè)[J]. 方啟東,溫鑫,蔣佳靜,丁攀攀,沈友紅,王琰.  宿州學(xué)院學(xué)報(bào). 2010(08)
[10]股票價(jià)格預(yù)測(cè)的最優(yōu)選擇模型[J]. 賀本嵐.  統(tǒng)計(jì)與決策. 2008(06)

博士論文
[1]基于支持向量機(jī)的選時(shí)和選股研究[D]. 汪東.上海交通大學(xué) 2007

碩士論文
[1]基于數(shù)據(jù)挖掘技術(shù)的股票選擇分析[D]. 黃悅.北京外國語大學(xué) 2017
[2]基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)算法的綜合選股實(shí)證研究[D]. 蘭強(qiáng)太.暨南大學(xué) 2017
[3]基于SVM算法的多因子選股模型實(shí)證研究[D]. 周漸.浙江工商大學(xué) 2017
[4]基于機(jī)器學(xué)習(xí)的量化選股研究[D]. 胡謙.山東大學(xué) 2016
[5]支持向量分類機(jī)（SVC）在量化選股中的應(yīng)用[D]. 張偉.山東大學(xué) 2014
[6]基于遺傳算法的風(fēng)格選股模型研究[D]. 鄒運(yùn).東北財(cái)經(jīng)大學(xué) 2012
[7]基于滑動(dòng)平均算法對(duì)金融時(shí)間序列的研究[D]. 周游.昆明理工大學(xué) 2012
[8]經(jīng)濟(jì)時(shí)間序列的趨勢(shì)分析和實(shí)證研究[D]. 趙爽.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2012
[9]因子選股模型在中國市場(chǎng)的實(shí)證研究[D]. 劉毅.復(fù)旦大學(xué) 2012



本文編號(hào)：3150165