基于机器学习FOF投资策略的实证研究

论文摘要

如何在投资FOF中充分控制风险,获得长期稳健的收益?本文通过构建支持向量机(SVR)、长短期记忆网络(LSTM)以及SVR&LSTM三种预测模型,完成对子基金的动态筛选工作,并结合均值方差模型对子基金进行资产配置,从而为追求稳健收益的投资者提供最优的投资方案。本文的研究时间区间为2016年1月至2019年3月,首先,我们结合最大回撤率指标与行业评价指标,分别对各类资产进行因子风险打分,筛选出中低风险的基金,构建基金初选池。然后,将收益类、风险类、风险调整类以及基金管理人作为因子,基于滑动时间窗口的支持向量机预测模型、长短期记忆网络模型以及SVR&LSTM模型,分别预测基金的收益率。在2017年7月至2019年3月的回测区间内,分别根据各期收益率的预测值排序,完成各期基金池的构建。在完成各期子基金的动态筛选后,我们对它们进行均值方差配置,不仅配置了大类资产,而且对于各期基金池里的基金进行了二次配置。回测结果表明,基于SVR&LSTM模型结合均值方差模型构造的FOF产品投资效果最好。不管是大盘上行阶段,最高点至下行阶段,最低点至回升阶段,FOF投资累计收益率明显跑赢基准累计收益率,平均年化收益率为21.93%,年化波动率控制在13.9%以下,平均年化超额收益率为17.29%。这对于追求稳健收益的投资者来说是一个很好的选择,也证明了本文产品设计的可行性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
•   1.1 研究背景
•   1.2 文献综述
•     1.2.1 FOF研究
•     1.2.2 支持向量机与LSTM预测模型
•     1.2.3 均值-方差资产配置模型
•   1.3 研究的目的与意义
•   1.4 研究内容及框架
•   1.5 研究创新点
• 第二章 机器学习方法与资产配置理论
•   2.1 支持向量机
•     2.1.1 支持向量机原理
•     2.1.2 核函数选择
•   2.2 LSTM神经网络
•   2.3 资产配置模型
•     2.3.1 均值-方差模型
•     2.3.2 均值-方差模型改进
• 第三章 量化指标
•   3.1 选基因子
•     3.1.1 收益类因子
•     3.1.2 风险类因子
•     3.1.3 风险调整类因子
•     3.1.4 基金管理人因子
•   3.2 预测模型评价指标
• 第四章 子基金筛选实证分析
•   4.1 基金投资风格分析
•   4.2 子基金初步筛选
•   4.3 子基金风险预估
•   4.4 数据预处理
•   4.5 收益预测
•     4.5.1 基于滑动时间窗的SVR模型的收益预测
•     4.5.2 基于LSTM模型的收益预测
•     4.5.3 基于SVR&LSTM模型的收益预测
•   4.6 各调仓期基金池构建
• 第五章 资产配置实证分析
•   5.1 均值-方差模型资产配置
•   5.2 回测结果分析
• 第六章 结论与展望
• 参考文献
• 致谢
• 附录

文章来源

类型: 硕士论文

作者: 祁明晓

导师: 岳兴业

关键词: 支持向量机,长短期记忆网络,资产配置

来源: 苏州大学

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: 苏州大学

分类号: F832.51;F224

DOI: 10.27351/d.cnki.gszhu.2019.002762

总页数: 61

文件大小: 5136K

下载量: 41