机器学习模型在中国A股市场的应用

论文摘要

金融市场在现代经济中扮演着重要的作用,一方面对政策制定者来说对金融市场的有效预测能使其更好的对宏观经济进行预判,进而制定相关政策引导经济健康运行,另一方面对金融市场的参与者来说,金融市场的预测对构建投资组合、进行风险管理尤为重要。但金融市场的复杂性导致传统的ARMA等模型预测结果往往不是很理想。而自上世纪九十年代以来,人工智能作为计算机科学的一个分支,其概念被不断提及,学术界、工商业,乃至社会大众无不对人工智能趋之若鹜。随着计算机性能的提高和算法的不断优化,人工智能的理论、方法和技术都得到了普遍的重视和提升。尤其在图像识别、语音识别、自动驾驶、机器翻译等领域,人工智能逐渐从幕后走向前台,并开始大展拳脚,在很多相关行业应用的范围也在不断扩大,这不禁让人联想到人工智能应用在金融市场的美好前景。本文将机器学习模型应用到中国A股市场上,主要使用支持向量机模型、人工神经网络模型、随机森林模型和三者的集成模型对中国A股股票未来三天涨跌的方向进行预测,并根据涨跌的概率选择最大的M只股票构建投资组合,建模包括获取数据、确立特征变量和目标变量、划分训练集和测试集、数据预处理、特征选择、模型参数调优、模型评价等过程。结果显示基于向量机模型、人工神经网络模型、随机森林模型三者的集成模型表现最优,其中M取值5时表现最好,夏普比率最大为1.35,年化复合收益率为44.69%,并且集成模型的表现显著优于沪深300指数和中证500指数。此外策略组合的行业分布也呈一定差异,并不是均衡分布,表明模型能在一定程度上捕捉A股行业轮动的信息,为量化研究、量化选股提供了新的思路。其他参考文献往往使用单一模型,或者在单一模型的基础之上又集成了其他用以特征选择的模型,本文创造性地将相关性很低、内在逻辑数理基础不同的支持向量机模型、人工神经网络模型、随机森林模型集成起来,结果表明集成之后的模型表现优于任何一个单一模型,体现了模型集成的优势。此外,本文也丰富了数据维度,在简单的技术指标之上,又加入了一些日频数据,包括估值数据、换手率数据、波动性数据、动量反转数据等,从而使数据维度更加多元,反映的信息更充分,进而提高模型预测的准确性和依此构建的投资组合的收益率等。这些都更符合金融市场非线性、非平稳的属性,在预测和构建投资策略时能够产生更好的应用效果。

论文目录

• 中文摘要
• ABSTRACT
• 第1章 绪论
•   1.1 研究背景与研究意义
•   1.2 国内外研究概况
•     1.2.1 国外研究概况
•     1.2.2 国内研究概况
•   1.3 本文的创新点
•   1.4 本文的组织结构
• 第2章 模型基本原理
•   2.1 支持向量机模型
•     2.1.1 支持向量机分类
•     2.1.2 序列最小化算法
•   2.2 随机森林模型
•     2.2.1 决策树的基本原理
•     2.2.2 随机森林模型的基本原理
•   2.3 神经网络模型
•     2.3.1 神经网络模型简介
•     2.3.2 处理梯度消失和梯度爆炸问题
•   2.4 集成模型
• 第3章 实证分析
•   3.1 数据获取和相关软件
•   3.2 特征变量和目标变量的选择
•     3.2.1 技术指标
•     3.2.2 其他指标
•     3.2.3 目标变量的选择
•     3.2.4 训练集和测试集的划分
•   3.3 数据预处理
•     3.3.1 异常值处理
•     3.3.2 空值填充
•     3.3.3 标准化处理
•   3.4 特征选择
•   3.5 模型调参
•   3.6 模型评价
• 第4章 策略分析与评价
•   4.1 策略表现
•     4.1.1 支持向量机模型策略表现
•     4.1.2 人工神经网络模型策略表现
•     4.1.3 随机森林模型策略表现
•     4.1.4 集成模型策略表现
•   4.2 模型分析与评价
•   4.3 策略组合行业分布
•   4.4 子时间段模型表现分析
•   4.5 策略组合净值表现
• 第5章 结论与展望
•   5.1 结论
•   5.2 展望
• 参考文献
• 致谢
• 学位论文评阅及答辩情况表

文章来源

类型: 硕士论文

作者: 胡锐

导师: 宫晓琳

关键词: 支持向量机,人工神经网络,随机森林

来源: 山东大学

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,市场研究与信息

单位: 山东大学

分类号: F832.51;F224

总页数: 51

文件大小: 2689K

下载量: 251