基于HMM模式的选股模型及应用

论文摘要

证券价格受极其复杂因素影响,一般对证券价格趋势分析时,需要市场走势、行业走势和个股走势多阶段、多形态分析判断,由此可认为条件随机场理论适合解决此类金融问题。而条件随机场的隐马尔可夫模型（HMM）在描述该过程的动态变化方面相对其他模式识别工具具备明显的优势,故采用HMM模型来研究解决股票投资中的选股问题。论文首先将指数成份股周收益率为正的股票命名为“上涨”类股票,其它的就命名为“下跌”类股票。接着选取了（收盘价-开盘价）/开盘价、（最高价-开盘价）/开盘价、（开盘价-最低价）/开盘价、每日换手率、（收盘价-昨日收盘价）/昨日收盘价和流通市值六个观测指标,使用前十日的观测时间序列,对“上涨”和“下跌”类股票时间序列分别进行了HMM模型的训练,得到“上涨”HMM1模型和“下跌”HMM2模型。再用训练出的HMM1模型和HMM2模型计算股票新观测时间序列似然值,即股票的“上涨”选股因子值y1和“下跌”选股因子值y2,综合设计出“上涨”条件选股因子值y。为检验选股因子的有效性,论文测试和比较了多个“选股因子”的信息系数（IC）,选取IC显著的“选股因子”作为最终的选股指标,按此“选股因子”值排名靠前的股票为投资组合,并应用在市场中性和行业中性量化对冲策略设计中。最后,为进一步改进投资策略,论文引进了“熵”来度量行业“上涨”和“下跌”的一致性热度,最终构建了基于行业熵配资的量化对冲行业偏中性策略。论文对2016年1月1日至2018年8月30日的时间序列数据进行了实证分析。首先采集了沪深300指数成份股55日股票观测数据（10组十日六个特征值时间序列观测数据和匹配的周收益率数据样本）训练HMM模型,对“选股因子”的IC序列均值进行统计检验,结果显示“上涨”条件选股因子IC均值显著,再以此因子值选取在行业排靠前的股票为投资组合设计成行业中性量化对冲投资策略,以滚动式推进模式模拟了历史投资效果,取得可观的收益效果。为提升投资收益,建立了基于行业熵配资的行业偏中性量化对冲投资策略,经过历史的测试在原策略基础上取得更好的年化收益率以及更高的夏普比,充分说明运用HMM模型建立的基于行业熵配资的量化对冲策略在理论研究中有探索价值,且在金融投资实践中具有指导价值。

论文目录

• 摘要
• Abstract
• 第一章 绪论
•   1.1 引言
•   1.2 研究现状
•     1.2.1 国外研究综述
•     1.2.2 国内研究综述
•   1.3 研究意义
•   1.4 本文的主要研究内容及方法
•   1.5 本文的结构安排
•   1.6 本章小结
• 第二章 模型及相关理论知识
•   2.1 马尔科夫模型
•   2.2 隐马尔可夫模型
•     2.2.1 定义
•     2.2.2 离散观测概率分布
•     2.2.3 连续观测概率分布
•     2.2.4 HMM的3 个基本问题
•     2.2.5 参数选取准则（AIC与 BIC准则）
•     2.2.6 参数选取准则（交叉检验准则）
•   2.3 行业熵
•     2.3.1 行业熵的概念
•     2.3.2 行业熵的计算过程
•   2.4 密度峰值加k均值聚类
•   2.5 投资策略评价指标
•   2.6 本章小结
• 第三章 HMM建模过程及投资策略设计
•   3.1 金融问题
•   3.2 特征变量选择
•   3.3 数据预处理
•   3.4 HMM模型的参数选取与确定
•     3.4.1 模型参数的选择
•     3.4.2 HMM隐状态N的选取与优化
•     3.4.3 EM算法HMM模型训练的初始参数
•   3.5 HMM模型的建立
•     3.5.1 动态训练池
•     3.5.2 模型训练样本的划分
•     3.5.3 HMM模型构建步骤
•   3.6 HMM模型的相关选股因子的设计与检验
•     3.6.1 HMM模型“上涨”选股因子的设计
•     3.6.2 HMM模型“下跌”选股因子的设计
•     3.6.3 HMM模型“上涨”条件选股因子的设计
•     3.6.4 HMM模型的相关选股因子的检验
•   3.7 HMM模型的相关选股因子的单因子回测过程
•   3.8 基于HMM模型的选股策略设计
•     3.8.1 基于HMM模型的选股（市场中性）策略
•     3.8.2 基于HMM模型的选股（行业中性）策略
•   3.9 基于行业熵配资的HMM模型选股策略设计
•   3.10 本章小结
• 第四章 基于HMM的量化策略实证分析
•   4.1 样本数据
•   4.2 数据处理
•   4.3 数据检验
•     4.3.1 马尔可夫性检验
•     4.3.2 特征因子与收益率序列相关性
•   4.4 HMM模型的建立
•     4.4.1 模型参数
•     4.4.2 高斯混合模型参数的选取
•     4.4.3 HMM模型构建
•   4.5 HMM模型参数优化
•     4.5.1 隐状态个数选取（AIC与 BIC准则）
•     4.5.2 隐状态个数选取（交叉检验准则）
•   4.6 HMM模型的相关选股因子的检验
•     4.6.1 HMM模型“上涨”选股因子的相关性与IC值
•     4.6.2 HMM模型“下跌”选股因子的相关性与IC值
•     4.6.3 HMM模型“上涨”条件选股因子的相关性与IC值
•     4.6.4 HMM模型选股因子的IC序列检验
•   4.7 HMM模型的相关选股因子的单因子策略回测
•   4.8 基于HMM模型的选股策略
•     4.8.1 市场中性
•     4.8.2 行业中性
•   4.9 基于行业熵配资的HMM模型选股策略
•     4.9.1 基于行业熵配资的HMM模型选股策略过程
•     4.9.2 基于行业熵配资的HMM模型选股策略回测
•   4.10 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间取得的研究成果
• 致谢
• 附件

文章来源

类型: 硕士论文

作者: 张宇思

导师: 梁满发

关键词: 量化对冲,隐马尔可夫模型,模式识别,行业熵

来源: 华南理工大学

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: 华南理工大学

分类号: F830.91;F224

DOI: 10.27151/d.cnki.ghnlu.2019.002288

总页数: 71

文件大小: 3602K

下载量: 144