论文部分内容阅读
量化投资是指通过统计方法预测股价走势以获取稳定收益为目的的投资方式.股票市场中,股票数量较多,股价的波动具有不确定性,如何准确预测股价走势构建投资组合是量化投资中的一个问题.本文将机器学习方法与投资组合相结合,使用优化的支持向量机(Support Vector Machines,SVM)与长短期记忆(Long Short Term Memory,LSTM)网络对股票的涨跌进行预测,再对预测为涨的股票建立投资组合,构建相应的量化投资模型.本文主要工作和结论如下:1.在预测实时更新的股票时间序列时,要求算法具有较快的迭代速度.针对该问题,本文提出一种空间剪切-变步长的网格搜索算法,利用该搜索算法寻找SVM中的C和σ参数,使得SVM在保证预测精度较高的情况下,大大减少寻参用时,提高SVM的训练效率.本文以股票行情数据为基础,选择常用的量化技术指标作为SVM的输入变量,对股票的涨跌进行预测.2.股票技术指标为时间序列,时间相近的数据之间必然存在潜在的关系,本文利用具有记忆性的LSTM网络对股价进行涨跌预测,LSTM网络中节点的特殊结构有效地控制历史信息,使该网络更好的学习训练集中的潜在规律.学习率的取值是训练LSTM网络过程的一个重要环节,本文采用指数衰减法选取每次模型迭代中的学习率,通过学习率的动态选择提高LSTM网络的训练速度.3.建立LASSO回归的均值-方差组合模型.在实际应用中,传统的均值-方差模型不具有稳定性.针对该问题,本文利用LASSO回归的均值-方差组合模型在优化的SVM和LSTM网络预测为上涨的股票集合中建立投资组合.该组合模型不仅具有度量投资收益和风险的能力,而且对股票起到筛选的作用.由于该组合模型的期望函数中含有随机变量,在求解过程中很难找到一个完全满足条件的数值解,因此,本文采用样本均值相似法对该期望函数进行近似替换,得到所筛选的股票及投资权重.本文基于优化的SVM和LSTM网络,分别构建GSVM-L和ELSTM-L量化投资模型,在沪深300指数中所选取133只成份股票进行回测分析,对比结果表明,该量化投资模型取得较高的投资收益,且具有较强的抗风险能力,也充分验证其在股票市场上获得超额收益的可行性.