论文部分内容阅读
量化交易与基本面分析、技术面分析已成为投资分析的三大主流分析方法。随着国内金融市场的不断规范，机制更加透明，投资队伍素质的逐步提高，量化交易在国内的应用条件日臻成熟，也越来越受到投资者的认可。在此背景下，本文开展了量化交易方面的研究，包括量化选股、量化择时和交易策略研究，通过引入和改进商务智能算法，设计出了智能选股模型，集成择时模型，并构建了基于距离和协整方法两阶段配对交易策略。本文主要的研究内容和结论总结如下: 首先，构建了智能选股模型。根据传统的因子选股方法，即股票的优劣可通过一系列候选因子进行评价，本文设计了一套股票评分机制，得分较高的股票将作为成分股票构建投资组合。针对评分机制中候选因子和因子权重的问题，本文引入差分进化算法并进行改进，同时优化因子选择变量和权重变量，以选出最有效的因子评价股票从而提高选股模型的有效性。特别地，本文通过采用sigmoid函数对传统的差分进化方法做相了应的改进，使得只适用于连续变量优化的差分进化算法能够用于离散变量的优化问题，如本文中离散-连续变量（因子选择-权重决策）混合优化问题。基于构建的选股模型，上证A股成分股数据作为样本数据对本文构建的模型进行了测试，结果表明选股模型构建的等权股票组合能够产生显著的超额收益，证明了构建的模型的有效性;并且，本文构建选股模型与不同的基准模型进行比较，结果表明构建的模型收益显著优于基于不同模型设计、不同适应度函数和不同优化算法的其他基准模型，进一步说明了本文构建的智能选股模型在量化选股方面的优势。 其次，构建了集成择时模型。量化择时即利用数量化方法，通过对各种宏观微观指标的量化分析，试图找到影响股价走势的关键信息，并且对未来走势进行判断。量化择时的重要环节是对价格进行预测，捕捉交易信号，从而作出交易决策。本文构建了一套可以有效预测股票交易信号的择时模型，共分为三个关键步骤:首先将股票序列进行经验模态分解，得到股票的低频成分（长期趋势）与高频成分（短期波动）;其次，采用极致学习机和集成的极致学习机(SRA-EKELM)分别预测股票的低频成分和高频成分。低频成分采用单一的核极致学习机进行预测;而高频成分准确预测相对困难，本文创新性的提出了“逐步回归(SRA)”集成预测方法以提高高频成分的预测准确性，即通过逐步回归将影响高频成分的所有变量划分成不同的变量子集，然后在每个子集上构建预测股价高频成分的单一预测模型，再将这些单一模型预测结果集成得到最终的高频成分预测;最后，结合低频成分和高频成分的预测值，识别最终的交易信号，作出交易决策。以上证A股为样本数据，实证结果表明本文构建的集成择时模型能够有效预测交易信号，实现丰厚的投资收益，并显著好于文献中提到的流行模型;参数敏感性分析和个股上的测试表明，本文构建的集成择时模型对参数敏感性较低，并且在牛市、熊市和震荡市的市场环境中均能获得不菲的收益。 最后，基于上述的智能算法，构建了两阶段法的配对交易策略。配对交易作为一种中性交易策略，可以有效地规避市场风险，获取稳定的超额收益。本文认真分析文献和实际应用中的配对交易策略，总结了各种策略的优势和不足，设计了基于距离和协整的两阶段配对交易策略。此外，本文还详细分析了国内融资融券市场的交易机制，制订了资金最大化的分配方案。通过实证回测分析表明，构建的两阶段配对交易策略优于基准的配对交易策略，获得稳定收益的同时还能够有效规避市场风险。模型的一般性方面，参数的敏感性分析也表明，构建的配对交易策略对参数变化敏感较低，表明模型具有很强的稳健性和一般性。 综上，本文开展了量化交易方面的研究，包括智能选股模型、集成择时模型和配对交易策略，所设计的模型经过数据回测均能够获得超额稳定的收益，所有模型具有较高的盈利性和一般性，具有较强的理论意义和现实意义。