發(fā)布時間：2020-12-06 17:00

　　預期收益的研究是風險管理與對沖操作的一大風向標。提高預期收益預測的能力,對研究本國金融市場特征下影響預期收益的風險因子適用性,具有一定的輔助作用。本文對預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序上具有明顯優(yōu)勢的LSTM神經(jīng)網(wǎng)絡模型,對研究對象進行模型的構建及診斷,設計在不同隱含層下,不同神經(jīng)元個數(shù)對模型的擬合效果,將得到的LSTM神經(jīng)網(wǎng)絡模型進行優(yōu)化,使其避免出現(xiàn)過擬合、欠擬合的訓練效果。可以得到的結論:一、數(shù)據(jù)的非平穩(wěn)性是降低LSTM神經(jīng)網(wǎng)絡模型預測性能的原因之一;二、整體來看LSTM的預測精度隨隱含層數(shù)呈同向變化,隨輸入跨度呈反向變化,而對層神經(jīng)元的個數(shù)影響波動較大,未成規(guī)律變化趨勢。第二部分首先通過前述初步構建的LSTM模型預測滬深300指數(shù)的價格和收益率。研究發(fā)現(xiàn)多變量輸入的LSTM模型在預測收益率上,預測效果優(yōu)于預測收盤價的單變量輸入LSTM模型。其次采用多變量輸入的LSTM模型對滬深300指數(shù)的部分成分股進行了預測分析,得到不同股票特征的預測效果存在差異。再次,構建了基于LSTM模型預測個股趨勢的買入賣出策略組合進行回測,結果表明LSTM模型能夠給策略組... 

【文章來源】：北方工業(yè)大學北京市

【文章頁數(shù)】：63 頁

【學位級別】：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 國內(nèi)外研究現(xiàn)狀
        1.2.1 預期收益的研究
        1.2.2 深度學習在金融市場應用的研究
        1.2.3 價格預測的研究
    1.3 研究的內(nèi)容與框架
    1.4 技術線路圖
第二章 LSTM神經(jīng)網(wǎng)絡建模方法
    2.1 LSTM神經(jīng)網(wǎng)絡原理及結構
        2.1.1 LSTM核心思想
        2.1.2 LSTM神經(jīng)網(wǎng)絡結構
    2.2 LSTM神經(jīng)網(wǎng)絡算法
        2.2.1 時序反向傳播算法（BPTT）
        2.2.2 權重梯度計算
    2.3 模型設計和診斷
        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)絡結構設計及優(yōu)化
第三章 基于LSTM股指及其成分股的價格預測
    3.1 LSTM神經(jīng)網(wǎng)絡模型股指價格的預測
        3.1.1 數(shù)據(jù)平穩(wěn)性研究
        3.1.2 不同參數(shù)組對股指預測的影響
        3.1.3 單變量輸入LSTM預測股指趨勢
        3.1.4 多變量輸入LSTM預測股指趨勢
    3.2 LSTM模型預測成分股價格
        3.2.1 滬深300指數(shù)成分股選取
        3.2.2 成分股預測結果
        3.2.3 回測交易結果
    3.3 預測模型的比較分析
第四章 基于多因子模型的股票預期收益研究
    4.1 多因子模型
    4.2 基于Fama-French三因子預期收益研究
        4.2.1 Fama-French三因子在A股市場上的驗證
        4.2.2 三因子分析
        4.2.3 滬深300成分股的Fama-French三因子策略回測結果
    4.3 基于六因子模型對A股的實證研究
        4.3.1 因子選取與構建
        4.3.2 fama-macbeth回歸結果分析
第五章 LSTM預測與因子時效性的組合對預期收益的影響
    5.1 因子的特征分析
    5.2 因子的時序分析
    5.3 LSTM預測與因子擇時選股策略組合的實證研究
第六章 結論與展望
    6.1 主要結論及創(chuàng)新
        6.1.1 主要結論
        6.1.2 創(chuàng)新
    6.2 不足之處
參考文獻
在學期間的研究成果
致謝


【參考文獻】：
期刊論文
[1]多因子量化模型在投資組合中的應用——基于LASSO與Elastic Net的比較研究[J]. 謝合亮,胡迪.  統(tǒng)計與信息論壇. 2017(10)
[2]Fama-French五因子模型在中國股票市場的實證檢驗[J]. 李志冰,楊光藝,馮永昌,景亮.  金融研究. 2017(06)
[3]全球市場一體化——全球情景下Fama-French三因子模型檢驗[J]. 楊金海,范黎波.  技術經(jīng)濟. 2017(06)
[4]深度學習的金融實證應用:動態(tài)、貢獻與展望[J]. 蘇治,盧曼,李德軒.  金融研究. 2017(05)
[5]股市特質(zhì)風險與股票收益率相關關系的實證研究[J]. 熊偉,陳浪南,柯忠義.  管理工程學報. 2017(02)
[6]基于人工神經(jīng)網(wǎng)絡的滬鋅期貨價格預測研究[J]. 林杰,龔正.  財經(jīng)理論與實踐. 2017(02)
[7]基于DBN的金融時序數(shù)據(jù)建模與決策[J]. 曾志平,蕭海東,張新鵬.  計算機技術與發(fā)展. 2017(04)
[8]一種新的金融動態(tài)橫截面估計方法——基于中國股票市場條件定價模型評估的應用與擴展[J]. 張翔,宋平,李倫一.  管理科學學報. 2017(01)
[9]基于近鄰互信息的SVM-GARCH股票價格預測模型研究[J]. 張貴生,張信東.  中國管理科學. 2016(09)
[10]風格擇時能力對基金績效的影響研究[J]. 易力,胡振華.  管理評論. 2016(04)



本文編號：2901727