基于深度学习的股票投资组合策略研究

论文摘要

随着上海证券交易所科创板和注册制的施行,我国资本市场制度会更加完善,发展必然更快。然而普通投资者面对的投资环境更加复杂,主要表现在我国经济发展进入新常态,增速放慢,房地产畸形发展带来金融风险增大,贸易战带来不确定因素增加。传统的投资组合工具越来越不适用。研究能适应中国市场新环境的新理论和新工具已经迫在眉睫。本文将深度学习的方法应用于选股,构造能够跑赢大盘的投资组合。方法的要点在于通过自编码器对股票池的价格信息进行降维处理,利用具有期权特征的人工神经网络激活函数对应于期货投资的特点,依据学习网络获得训练误差和测试误差的集合,构建出可以追踪指定输出序列的投资组合。选取沪深300指数为例,将输出端分别设置为沪深300指数和日收益率高于沪深300指数0.05%的虚拟指数,通过算法将258只稳定的成分股降维后构造相应的投资组合,并将2013年到2018年间的数据均匀地分成3个2年的区间,分别称为训练集,验证集和测试集。另外,利用最小追踪误差法和2013年至2016年的数据构建对比用的传统投资组合。测试结果表明在长期投资的情景下,在2017年至2018年的每个月,构造的深度投资组合可以大幅度击败沪深300指数,并且在24个月中更远端的21个月击败了传统方法,同时也能在2018年大盘下跌的情况下依旧能拥有稳定的利润。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
•   1.1 研究背景与意义
•     1.1.1 研究背景
•     1.1.2 研究目的和意义
•   1.2 国内外研究现状分析
•     1.2.1 传统模型方法的建立
•     1.2.2 机器学习方法的初步应用
•     1.2.3 深度学习方法的拓展研究
•     1.2.4 国内外文献综述评析
•   1.3 研究内容与研究方法
•     1.3.1 研究内容
•     1.3.2 研究方法
• 第2章 投资组合与深度学习的相关理论
•   2.1 投资组合经典理论
•     2.1.1 非量化的投资组合策略
•     2.1.2 量化的投资组合策略
•   2.2 深度学习的相关理论
•     2.2.1 机器学习
•     2.2.2 人工神经网络
•     2.2.3 深度学习在金融领域中的常见应用
•   2.3 深度投资组合理论
•     2.3.1 深度因子
•     2.3.2 深度投资组合体系的四个步骤
•     2.3.3 经典投资组合理论在深度学习中的新解读
•   2.4 本章小结
• 第3章 系统构建与研究设计
•   3.1 深度投资组合系统
•   3.2 研究设计
•   3.3 系统与传统计量方法的区别
•   3.4 本章小结
• 第4章 实证结果及分析
•   4.1 实验工具与样本
•   4.2 自编码器
•   4.3 追踪沪深300 指数
•     4.3.1 调整
•     4.3.2 验证
•     4.3.3 判定
•   4.4 追踪虚拟指数
•     4.4.1 构建虚拟指数
•     4.4.2 调整
•     4.4.3 验证
•     4.4.4 判定
•     4.4.5 样本外测试
•   4.5 本章小结
• 结论
• 参考文献
• 致谢

文章来源

类型: 硕士论文

作者: 黄晨

导师: 王苏生

关键词: 深度学习,投资组合,风险

来源: 哈尔滨工业大学

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: 哈尔滨工业大学

分类号: F832.51;F224

DOI: 10.27061/d.cnki.ghgdu.2019.001836

总页数: 56

文件大小: 2595K

下载量: 462