论文部分内容阅读
近年来,随着AlphaGo等人工智能的出现,深度学习逐渐为人们所知并引发了一股新的学习热潮,与此同时,我国的量化投资行业也在迅速发展,但与国外量化投资行业仍有较大差距。从本质上而言,量化投资是通过对金融数据进行建模来去预测股票或期货等金融产品收益,这与深度学习有异曲同工之妙,因此将两者有机结合起来是可行的。通过将深度学习应用到量化投资,一方面为量化投资提供一种新的研究思路与建模方法,另一方面有助于投资者更准确预测股价,降低投资风险和获取投资收益。本文主要研究卷积神经网络在量化选股中的应用,研究对象为2008年1月1日至2018年1月1日的沪深300成分股,首先本文通过增加一个技术指标维度将一维的时间序列转化为二维矩阵数据以用于卷积神经网络模型的训练与预测;其次为了更有效地利用数据,本文通过窗口滚动方式将数据分为五个训练集和五个测试集以用于建模;然后,本文研究了卷积核大小、卷积核数量、全连接神经元数量、dropout概率以及优化器对卷积神经网络模型预测结果的影响并对模型进行相应的参数优化,之后本文将卷积神经网络模型预测结果与逻辑回归、BP神经网络与LSTM神经网络的预测结果进行对比,最后构建基于卷积神经网络构建相应的沪深300选股策略进行研究分析与评判,并与基于逻辑回归、BP神经网络和LSTM的沪深300选股策略再次进行比较分析。通过对比卷积神经网络与逻辑回归、BP神经网络与LSTM神经网络的模型准确度,我们发现卷积神经网络的预测效果要优于其他3个模型,此外,本文基于卷积神经网络构建了一个沪深300量化选股策略,策略在5年回测期内获得了186.6%的总收益和125.51%的超额收益,年化收益高达23.44%,夏普比率为1.47,为了更好的评估模型的选股有效性,本文构建相应的多空对冲策略,经过多空对冲后,策略获得总收益为160.55%,平均年化收益高达21.11%,最大回撤为-2.39%,平均夏普率高达5.18,最后,对比卷积神经网络与逻辑回归、BP神经网络及LSTM神经网络在量化选股上的表现,结果表明卷积神经网络的总收益、超额收益以及夏普率都要高于其他3个模型,且从分年表现而言,卷积神经网络在每一年中都要优于逻辑回归模型,因此,卷积神经网络是一个有效的量化选股模型。