本文關(guān)鍵詞：基于機器學習的量化選股研究

  更多相關(guān)文章： 量化投資 量化選股 機器學習 模式識別 動量反轉(zhuǎn)

【摘要】：近年來,量化投資憑借其精力無限、依靠概率取勝和紀律性強的優(yōu)勢受到越來越多的關(guān)注。與西方成熟市場相比,我國量化投資還處于起步階段,存在量化投資產(chǎn)品規(guī)模小、策略缺乏多樣性、業(yè)績表現(xiàn)分化的不足。盡管如此,從我國實情來看,量化投資仍會有很廣闊的發(fā)展前景。因此,對于量化選股方法的理論及實踐進行研究,構(gòu)建適合A股市場的選股策略,并以此指導投資者進行量化投資有很重要的現(xiàn)實意義。股票市場是一個低信噪比的、復雜的非線性系統(tǒng),而機器學習在諸多領(lǐng)域如搜索和語音識別中均被證明是針對模糊非線性數(shù)據(jù)進行建模的強有力工具,使用機器學習方法來構(gòu)建量化投資策略具有一定的天然優(yōu)勢。選股本質(zhì)是一個排序問題,投資者都希望能挑選出相對于其他股票在未來表現(xiàn)更好的股票,基于此,本文嘗試將機器學習領(lǐng)域中兩種較為成熟的學習排序算法GBDT和GBRank應(yīng)用到選股問題中。本文以技術(shù)分析為理論根據(jù),先后構(gòu)建了基于模式識別的短線選股策略和基于動量和反轉(zhuǎn)效應(yīng)的長線選股策略。前者根據(jù)個股在過去一個月內(nèi)的價格走勢形態(tài)構(gòu)來建特征向量,利用機器學習算法自動進行模式識別；后者以不同時間周期的動量、反轉(zhuǎn)因子為基礎(chǔ)構(gòu)建特征向量,利用機器學習算法從大量數(shù)據(jù)中自動學習動量、反轉(zhuǎn)效應(yīng)在時間尺度上的分布規(guī)律。實驗結(jié)果表明,采用GBDT排序算法的兩個策略,在過去4年的時間里均可大幅跑贏滬深300指數(shù),對交易者的投資決策具有一定的參考意義。本文的創(chuàng)新之處在于：將機器學習與技術(shù)分析結(jié)合,構(gòu)建了基于模式識別、以及基于動量反轉(zhuǎn)效應(yīng)的量化選股策略,解決了傳統(tǒng)選股方法中的模式發(fā)掘困難、參數(shù)難確定等弊端；首次將信息檢索領(lǐng)域應(yīng)用較好的機器學習排序算法GBDT和GBRank引入到量化選股領(lǐng)域,實驗證明使用GBDT算法的兩個策略有較強盈利性；對策略中特征向量的提取,做了一些降噪、引入分位數(shù)等數(shù)據(jù)上的處理,有利于提高機器學習的性能。
【關(guān)鍵詞】：量化投資 量化選股 機器學習 模式識別 動量反轉(zhuǎn)
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：F832.51
【目錄】：

• 摘要10-11
• ABSTRACT11-13
• 1 緒論13-22
• 1.1 研究背景13-14
• 1.2 研究目標及意義14-15
• 1.2.1 研究目標14-15
• 1.2.2 研究意義15
• 1.3 量化選股研究現(xiàn)狀15-18
• 1.3.1 國外研究現(xiàn)狀16-17
• 1.3.2 國內(nèi)研究現(xiàn)狀17-18
• 1.4 研究方法與技術(shù)路線18-20
• 1.4.1 研究方法18-19
• 1.4.2 技術(shù)路線19-20
• 1.5 研究內(nèi)容與論文結(jié)構(gòu)20
• 1.5.1 研究內(nèi)容20
• 1.5.2 論文結(jié)構(gòu)20
• 1.6 創(chuàng)新點20-22
• 2 理論與方法基礎(chǔ)22-39
• 2.1 量化選股相關(guān)理論基礎(chǔ)22-27
• 2.1.1 模式識別23-25
• 2.1.2 動量反轉(zhuǎn)效應(yīng)25-27
• 2.2 基于機器學習的排序算法27-38
• 2.2.1 GBDT算法30-35
• 2.2.2 GBRank算法35-38
• 2.3 本章小結(jié)38-39
• 3 基于模式識別的短線選股策略研究39-49
• 3.1 策略概述39-41
• 3.2 數(shù)據(jù)準備41
• 3.3 特征提取41-43
• 3.4 模型訓練43-45
• 3.4.1 基于GBDT與模式識別的排序模型訓練43-44
• 3.4.2 基于GBRank與模式識別的排序模型訓練44-45
• 3.5 實驗結(jié)果與分析45-47
• 3.5.1 評價標準45
• 3.5.2 基于GBDT與模式識別的排序模型實驗結(jié)果與分析45-46
• 3.5.3 基于GBRank與模式識別的排序模型實驗結(jié)果與分析46-47
• 3.6 本章小結(jié)47-49
• 4 基于動量和反轉(zhuǎn)效應(yīng)的長線選股策略研究49-58
• 4.1 策略概述49-50
• 4.2 數(shù)據(jù)準備50-51
• 4.3 特征提取51-52
• 4.4 模型訓練52-54
• 4.4.1 基于GBDT與動量反轉(zhuǎn)效應(yīng)的排序模型訓練52-54
• 4.4.2 基于GBRank與動量反轉(zhuǎn)效應(yīng)的排序模型訓練54
• 4.5 實驗結(jié)果與分析54-56
• 4.5.1 評價標準54-55
• 4.5.2 基于GBDT與動量反轉(zhuǎn)效應(yīng)的排序模型實驗結(jié)果與分析55-56
• 4.5.3 基于GBRank與動量反轉(zhuǎn)效應(yīng)的排序模型實驗結(jié)果與分析56
• 4.6 本章小結(jié)56-58
• 5 總結(jié)與展望58-60
• 5.1 總結(jié)58
• 5.2 展望58-60
• 參考文獻60-66
• 致謝66-67
• 學位論文評閱及答辯情況表67

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 賀英杰;葉宗民;金吉學;;機器學習在入侵檢測中的應(yīng)用綜述[J];計算機安全;2010年03期

2 袁鼎榮;;淺談《機器學習》的課程教學方法[J];廣西經(jīng)濟管理干部學院學報;2010年04期

3 李航;;機器學習正在改變我們的工作與生活[J];中國科技財富;2011年15期

4 井田;朱玉琴;;多側(cè)面遞進算法在機器學習中的應(yīng)用[J];科技創(chuàng)新導報;2012年11期

5 ;“第12屆中國機器學習會議”征文[J];科技導報;2009年19期

6 ;傳漾:AdPlace[J];成功營銷;2013年03期

7 白朝陽;;美國國安局:防不勝防的“信息竊賊”[J];中國經(jīng)濟周刊;2013年24期

8 ;“第12屆中國機器學習會議”征文[J];科技導報;2009年21期

9 井超;陳立潮;;機器學習在科技成果評估專家系統(tǒng)中的應(yīng)用[J];科技情報開發(fā)與經(jīng)濟;2006年07期

10 丁未;;機器學習為代表的人工智能在儀器儀表工業(yè)中的應(yīng)用展望[J];中國儀器儀表;2014年08期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王玨;;歸納機器學習[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

2 王昊;李銀波;紀志梁;;利用機器學習方法預測嚴重藥物不良反應(yīng)-呼吸困難[A];中國化學會第28屆學術(shù)年會第13分會場摘要集[C];2012年

3 吳滄浦;;智能系統(tǒng)與機器學習的新領(lǐng)域[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學術(shù)年會文集[C];2000年

4 周晴杰;徐立鴻;吳啟迪;;機器學習串級結(jié)構(gòu)的初步探討[A];1998年中國控制會議論文集[C];1998年

5 李剛;郭崇慧;林鴻飛;楊志豪;唐煥文;;基于詞典法和機器學習法相結(jié)合的蛋白質(zhì)名識別[A];大連理工大學生物醫(yī)學工程學術(shù)論文集（第2卷）[C];2005年

6 徐禮勝;李乃民;王寬全;張冬雨;耿斌;姜曉睿;陳超海;羅貴存;;機器學習在中醫(yī)計算機診斷識別系統(tǒng)中的應(yīng)用思考[A];第一屆全國中西醫(yī)結(jié)合診斷學術(shù)會議論文選集[C];2006年

7 蔡健平;林世平;;基于機器學習的詞語和句子極性分析[A];第三屆全國信息檢索與內(nèi)容安全學術(shù)會議論文集[C];2007年

8 黃金鐵;李景銀;周建常;;對高爐爐況評價模型參數(shù)的機器學習——一個三類線性模式分類器的實現(xiàn)[A];1995中國控制與決策學術(shù)年會論文集[C];1995年

9 程國建;蔡磊;潘華賢;;核向量機在大規(guī)模機器學習中的應(yīng)用[A];第十一屆中國青年信息與管理學者大會論文集[C];2009年

10 張鈸;張鈴;;統(tǒng)計學習理論及其應(yīng)用[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

中國重要報紙全文數(shù)據(jù)庫 前10條

1 黎驪/文 [美] Tom M.Mitchell 著;機器學習與智能化社會[N];中國郵政報;2003年

2 IBM大數(shù)據(jù)專家 James Kobielus　范范 編譯;機器學習已成為大數(shù)據(jù)基石[N];網(wǎng)絡(luò)世界;2014年

3 本報記者 房琳琳;合久必分：分布式“機器學習”應(yīng)運而生[N];科技日報;2014年

4 雨辰;機器學習類圖書為什么火爆[N];中華讀書報;2014年

5 百度公司技術(shù)副總監(jiān) 多媒體部負責人 余凱;深度學習與多媒體搜索技術(shù)演進[N];中國信息化周報;2013年

6 本報記者 余建斌;機器學習與互聯(lián)網(wǎng)搜索[N];人民日報;2011年

7 本報記者 張曄邋通訊員 李瑋;周志華：永不墨守成規(guī)[N];科技日報;2008年

8 記者　 彭德倩;機器學習精度提升近6個百分點[N];解放日報;2006年

9 本報記者 閔杰;大數(shù)據(jù)熱 高端人才缺[N];中國電子報;2013年

10 沈建苗 編譯;如何成為大數(shù)據(jù)科學家[N];計算機世界;2013年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 董春茹;機器學習中的權(quán)重學習與差分演化[D];華南理工大學;2015年

2 姚明臣;機器學習和神經(jīng)網(wǎng)絡(luò)學習中的若干問題研究[D];大連理工大學;2016年

3 趙玉鵬;機器學習的哲學探索[D];大連理工大學;2010年

4 胡巍;面向格結(jié)構(gòu)的機器學習[D];上海交通大學;2009年

5 張義榮;基于機器學習的入侵檢測技術(shù)研究[D];國防科學技術(shù)大學;2005年

6 錢線;快速精確的結(jié)構(gòu)化機器學習方法研究[D];復旦大學;2010年

7 梁錫軍;稀疏優(yōu)化在機器學習中的若干應(yīng)用[D];大連理工大學;2013年

8 蔣剛;核機器學習方法若干問題研究[D];西南交通大學;2006年

9 陳慧靈;面向智能決策問題的機器學習方法研究[D];吉林大學;2012年

10 周偉達;核機器學習方法研究[D];西安電子科技大學;2003年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 張柯;基于機器學習的錯誤定位方法研究[D];南京航空航天大學;2015年

2 于雯;機器學習在信用評級中的應(yīng)用[D];中國海洋大學;2015年

3 裴松年;基于機器學習的分類算法研究[D];中北大學;2016年

4 李紅;基于機器學習的中醫(yī)藥配方評估研究[D];南京大學;2016年

5 周文U，

本文編號：512619