基于改进神经网络与主成分分析的综合量化选股策略研究

论文摘要

量化投资是金融领域重要的投资手段与方法之一,在大数据技术时代,基于机器学习的量化选股策略的研究变得越来越热门。现有的研究,多数是基于短期策略,中长线策略研究很少。并且不少研究将数量大、噪声高的股市价格预测问题转化为二分类问题,很难获得稳定的超额收益。因此,研究合理有效的量化投资策略有着重要的意义。本文基于机器学习中改进的神经网络算法提出了二阶段综合量化选股策略,并对中国A股近两年的数据进行实证分析。在第一阶段中引入GA-BP、Adaboost-BP作为预测模型,以股价月均涨跌值作为目标值,将估值因子、技术因子等多因子作为模型的输入。通过模型评估选出最优预测模型作为第一阶段选股模型。第二阶段聚焦于公司财务数据,对第一阶段选出股票对应公司的财务数据通过主成分分析评分排序,按不同二阶段选股比例选取股票作为最终投资组合。为了验证本文所提出方法的有效性,文章对Adaboost-BP模型、GABP模型和BP模型的预测效果进行了对比。研究表明,遗传算法能有效的找到对应数据的最优神经网络结构,提高单个网络结构的预测精度。集成算法Adaboost-BP模型均方根误差明显小于其他两个模型,且在查准率上有大幅度提升,说明Adaboost-BP模型有更好的股价预测性能,因此将其作为第一阶段选股模型。进一步,还讨论了二阶段选股占比分别为80%、100%、60%的综合量化选股策略应用到股市中的选股效果。实证结果表明,综合量化策略选股中加入主成分分析能有效剔除财务上表现不好的公司。另外,选择合适的二阶段选股占比策略对股票的收益和稳定性都有明显的提高。从综合实证分析的结果来看,本文所提出的二阶段综合量化选股策略在考虑风险因素的情况下,能找到更具投资价值的股票,从而达到稳定盈利的目的,为投资者提供良好的投资指向。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   第一节 研究背景及研究意义
•     一、量化投资研究背景
•     二、理论意义
•     三、实际意义
•   第二节 国内外研究文献综述
•     一、国外研究现状
•     二、国内研究现状
•     三、文献评述
•   第三节 研究内容及框架
•     一、研究内容
•     二、论文框架
•     三、研究框架图
•     四、论文可能的创新点
• 第二章 相关理论与方法基础
•   第一节 量化投资相关理论基础
•     一、量化投资发展及特点
•     二、量化投资与传统投资的区别
•     三、量化投资的主要方法和技术手段
•   第二节 人工神经网络
•     一、神经元建模
•     二、神经元激活函数
•     三、网络拓扑结构
•     四、BP神经网络算法
•     五、多层神经网络的特点
•   第三节 遗传算法
•     一、遗传算法简介
•     二、遗传算法原理
•     三、遗传算法特点
•   第四节 Adaboost算法
•     一、Adaboost算法简介
•     二、Adaboost算法实现
•   第五节 主成分分析算法
•     一、主成分分析算法的定义与导出
•     二、主成分分析算法的实现步骤
• 第三章 基于改进神经网络的股价预测及其实证分析
•   第一节 神经网络预测股价面临的问题及改进
•   第二节 数据预处理以及模型参数选择
•     一、构建BP神经网络因子池
•     二、目标参数
•     三、初始参数的选择
•     四、数据预处理
•   第三节 模型评估指标
•   第四节 基于GA-BP神经网络股价涨跌预测模型
•     一、遗传算法与BP神经网络模型
•     二、GA-BP神经网络实证结果
•   第五节 基于Adaboost-BP神经网络股价涨跌预测模型
•     一、Adaboost-BP强预测器构建
•     二、Adaboost-BP神经网络实证结果
•   第六节 基于两种改进神经网络股价涨跌预测情况对比
•     一、 ROC与AUC分类比较
•     二、模型预测效果比较
•   第七节 本章小结
• 第四章 基于综合量化选股策略及实证分析
•   第一节 综合量化选股方案
•   第二节 主成分分析在财务状况评价体系中的应用
•     一、主成分分析财务数据的选取
•     二、公司财务指标的主成分分析
•   第三节 基于主成分分析结果的综合量化选股分析
•     一、综合策略的回测指标
•     二、综合量化策略选股结果
•   第四节 本章小结
• 第五章 总结与展望
•   第一节 研究结论
•   第二节 研究展望
• 参考文献
• 附录
• 致谢

文章来源

类型: 硕士论文

作者: 刘彦宏

导师: 杨晓蓉

关键词: 量化选股,神经网络,遗传算法,集成算法,主成分分析

来源: 浙江工商大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,金融,证券,投资

单位: 浙江工商大学

分类号: F832.51;F224

DOI: 10.27462/d.cnki.ghzhc.2019.000075

总页数: 77

文件大小: 2577K

下载量: 140