發(fā)布時(shí)間：2020-12-06 17:00

　　預(yù)期收益的研究是風(fēng)險(xiǎn)管理與對(duì)沖操作的一大風(fēng)向標(biāo)。提高預(yù)期收益預(yù)測(cè)的能力,對(duì)研究本國(guó)金融市場(chǎng)特征下影響預(yù)期收益的風(fēng)險(xiǎn)因子適用性,具有一定的輔助作用。本文對(duì)預(yù)期收益的研究主要包括了以下四部分:第一部分采用在處理金融時(shí)序上具有明顯優(yōu)勢(shì)的LSTM神經(jīng)網(wǎng)絡(luò)模型,對(duì)研究對(duì)象進(jìn)行模型的構(gòu)建及診斷,設(shè)計(jì)在不同隱含層下,不同神經(jīng)元個(gè)數(shù)對(duì)模型的擬合效果,將得到的LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化,使其避免出現(xiàn)過擬合、欠擬合的訓(xùn)練效果。可以得到的結(jié)論:一、數(shù)據(jù)的非平穩(wěn)性是降低LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)性能的原因之一;二、整體來看LSTM的預(yù)測(cè)精度隨隱含層數(shù)呈同向變化,隨輸入跨度呈反向變化,而對(duì)層神經(jīng)元的個(gè)數(shù)影響波動(dòng)較大,未成規(guī)律變化趨勢(shì)。第二部分首先通過前述初步構(gòu)建的LSTM模型預(yù)測(cè)滬深300指數(shù)的價(jià)格和收益率。研究發(fā)現(xiàn)多變量輸入的LSTM模型在預(yù)測(cè)收益率上,預(yù)測(cè)效果優(yōu)于預(yù)測(cè)收盤價(jià)的單變量輸入LSTM模型。其次采用多變量輸入的LSTM模型對(duì)滬深300指數(shù)的部分成分股進(jìn)行了預(yù)測(cè)分析,得到不同股票特征的預(yù)測(cè)效果存在差異。再次,構(gòu)建了基于LSTM模型預(yù)測(cè)個(gè)股趨勢(shì)的買入賣出策略組合進(jìn)行回測(cè),結(jié)果表明LSTM模型能夠給策略組... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 預(yù)期收益的研究
        1.2.2 深度學(xué)習(xí)在金融市場(chǎng)應(yīng)用的研究
        1.2.3 價(jià)格預(yù)測(cè)的研究
    1.3 研究的內(nèi)容與框架
    1.4 技術(shù)線路圖
第二章 LSTM神經(jīng)網(wǎng)絡(luò)建模方法
    2.1 LSTM神經(jīng)網(wǎng)絡(luò)原理及結(jié)構(gòu)
        2.1.1 LSTM核心思想
        2.1.2 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    2.2 LSTM神經(jīng)網(wǎng)絡(luò)算法
        2.2.1 時(shí)序反向傳播算法（BPTT）
        2.2.2 權(quán)重梯度計(jì)算
    2.3 模型設(shè)計(jì)和診斷
        2.3.1 數(shù)據(jù)說明
        2.3.2 單變量輸入LSTM模型
        2.3.3 多變量輸入LSTM模型
        2.3.4 LSTM網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)及優(yōu)化
第三章 基于LSTM股指及其成分股的價(jià)格預(yù)測(cè)
    3.1 LSTM神經(jīng)網(wǎng)絡(luò)模型股指價(jià)格的預(yù)測(cè)
        3.1.1 數(shù)據(jù)平穩(wěn)性研究
        3.1.2 不同參數(shù)組對(duì)股指預(yù)測(cè)的影響
        3.1.3 單變量輸入LSTM預(yù)測(cè)股指趨勢(shì)
        3.1.4 多變量輸入LSTM預(yù)測(cè)股指趨勢(shì)
    3.2 LSTM模型預(yù)測(cè)成分股價(jià)格
        3.2.1 滬深300指數(shù)成分股選取
        3.2.2 成分股預(yù)測(cè)結(jié)果
        3.2.3 回測(cè)交易結(jié)果
    3.3 預(yù)測(cè)模型的比較分析
第四章 基于多因子模型的股票預(yù)期收益研究
    4.1 多因子模型
    4.2 基于Fama-French三因子預(yù)期收益研究
        4.2.1 Fama-French三因子在A股市場(chǎng)上的驗(yàn)證
        4.2.2 三因子分析
        4.2.3 滬深300成分股的Fama-French三因子策略回測(cè)結(jié)果
    4.3 基于六因子模型對(duì)A股的實(shí)證研究
        4.3.1 因子選取與構(gòu)建
        4.3.2 fama-macbeth回歸結(jié)果分析
第五章 LSTM預(yù)測(cè)與因子時(shí)效性的組合對(duì)預(yù)期收益的影響
    5.1 因子的特征分析
    5.2 因子的時(shí)序分析
    5.3 LSTM預(yù)測(cè)與因子擇時(shí)選股策略組合的實(shí)證研究
第六章 結(jié)論與展望
    6.1 主要結(jié)論及創(chuàng)新
        6.1.1 主要結(jié)論
        6.1.2 創(chuàng)新
    6.2 不足之處
參考文獻(xiàn)
在學(xué)期間的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]多因子量化模型在投資組合中的應(yīng)用——基于LASSO與Elastic Net的比較研究[J]. 謝合亮,胡迪.  統(tǒng)計(jì)與信息論壇. 2017(10)
[2]Fama-French五因子模型在中國(guó)股票市場(chǎng)的實(shí)證檢驗(yàn)[J]. 李志冰,楊光藝,馮永昌,景亮.  金融研究. 2017(06)
[3]全球市場(chǎng)一體化——全球情景下Fama-French三因子模型檢驗(yàn)[J]. 楊金海,范黎波.  技術(shù)經(jīng)濟(jì). 2017(06)
[4]深度學(xué)習(xí)的金融實(shí)證應(yīng)用:動(dòng)態(tài)、貢獻(xiàn)與展望[J]. 蘇治,盧曼,李德軒.  金融研究. 2017(05)
[5]股市特質(zhì)風(fēng)險(xiǎn)與股票收益率相關(guān)關(guān)系的實(shí)證研究[J]. 熊偉,陳浪南,柯忠義.  管理工程學(xué)報(bào). 2017(02)
[6]基于人工神經(jīng)網(wǎng)絡(luò)的滬鋅期貨價(jià)格預(yù)測(cè)研究[J]. 林杰,龔正.  財(cái)經(jīng)理論與實(shí)踐. 2017(02)
[7]基于DBN的金融時(shí)序數(shù)據(jù)建模與決策[J]. 曾志平,蕭海東,張新鵬.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(04)
[8]一種新的金融動(dòng)態(tài)橫截面估計(jì)方法——基于中國(guó)股票市場(chǎng)條件定價(jià)模型評(píng)估的應(yīng)用與擴(kuò)展[J]. 張翔,宋平,李倫一.  管理科學(xué)學(xué)報(bào). 2017(01)
[9]基于近鄰互信息的SVM-GARCH股票價(jià)格預(yù)測(cè)模型研究[J]. 張貴生,張信東.  中國(guó)管理科學(xué). 2016(09)
[10]風(fēng)格擇時(shí)能力對(duì)基金績(jī)效的影響研究[J]. 易力,胡振華.  管理評(píng)論. 2016(04)



本文編號(hào)：2901727