论文部分内容阅读
金融市场中证券资产的收益与风险受制于多方面信息的影响，如何正确融合多源信息以优化投资决策，不仅对于投资者与投资机构而言具有重要的意义，对于整个金融市场的稳定也起到了至关重要的作用。而金融市场本身的非线性、复杂性以及多源异构特性决定了传统理论在该方面应用的难度，同时也应运而生出相应的前沿算法及模型，使得相关技术在证券投资中的应用问题得以改善。本文以多源信息融合技术（multi-source information fusion,简称为MSIF）为理论基础，探究该前沿理论在证券资产价格趋势预测以及投资风险控制中的应用。首先，本文探究了机器学习理论中的Stacking融合算法在资产价格趋势预测中的应用能力，并进而对该算法框架详细展开分析与提升。文章将四类基于树的集成模型以及四类深度学习模型视为基础分类器，进而以基础分类器预测结果为输入变量，单独训练元分类器以融合各基础模型中所获得的独特学习模式。通过对于美国三大股票价格指数的实证研究，本文发现基于Stacking融合算法的元分类器预测表现更优，模型预测的准确率、F-score以及AUC值较之基于树的集成模型以及深度学习算法均有提升。且实证结果表明在Logistic元分类器中施加Lasso正则项能够有效提升模型的预测表现，使得元分类器能够同时赋权/筛选基础分类器，并以最优模型预测性能为目标自动识别基础分类器中的有效信息。
其次，本文在以往学术研究的基础上对传统理论算法进行了改进，在证券资产收益层面之外对其风险的控制应用展开了详细探究。基于多源信息融合理论，文章提出了运用于动态资产定价层面的条件异方差状态空间模型（heteroscedastic state-space model,简称为HET）。该类模型不仅在迭代计算过程中将预测值与实际资产收益观测值中所包含的信息源进行融合，还放宽了传统状态空间模型中观测方程扰动项方差不变的假设，使其更加符合实际金融市场应用场景。此外，考虑到证券资产收益会受到例如金融市场特殊事件、监管以及流动性问题而发生异常变动从而产生一定量的稀疏噪声，加之收益中所固有的高斯噪声，传统卡尔曼滤波算法在该混合噪声模式下迭代过程将会受到较大影响、甚至发散。本文提出了基于遗传算法的扩展正则化卡尔曼滤波（extended regularized Kalman filter based on Genetic Algorithm,简称为GA-ErgKF），以检测、估计和滤除证券收益中所包含的稀疏噪声，保证算法在该噪声环境下求解动态资产定价模型（dynamic asset pricing model,简称DAPM）的稳定性。通过结合l1与l2范数的正则项，文章改进了正则化卡尔曼滤波中的凸优化求解问题，并进而利用遗传算法对此优化问题高效求解。
通过对上述理论的分析与拓展，文章进而探究了基于该类融合算法的动态资产定价模型在证券资产风险结构分析以及风险对冲中的应用。对于美国股票市场行业投资组合的实证研究结果表明，基于该类多源信息融合算法所求解的动态资产定价模型不仅对于资产收益的变动有着更强的解释能力，且模型能够有效分析、解释经济周期对于行业风险结构的显著冲击作用。此外，实证结果显示，波动较大的行业相对于稳定行业在稀疏噪声的密度与分布、时变alpha与beta波动率以及风险敞口变化特性方面都有显著不同，揭示了行业风险结构之间的差异性，以及某些稳定行业中所存在的固定盈利与投资模式。进一步的，该类算法求解的动态资产定价模型在资产风险对冲方面也显示了较为明显的优势性，且鲁棒性检验与超参数变化分析结果均支持了本文多源融合算法的科学性。
其次，本文在以往学术研究的基础上对传统理论算法进行了改进，在证券资产收益层面之外对其风险的控制应用展开了详细探究。基于多源信息融合理论，文章提出了运用于动态资产定价层面的条件异方差状态空间模型（heteroscedastic state-space model,简称为HET）。该类模型不仅在迭代计算过程中将预测值与实际资产收益观测值中所包含的信息源进行融合，还放宽了传统状态空间模型中观测方程扰动项方差不变的假设，使其更加符合实际金融市场应用场景。此外，考虑到证券资产收益会受到例如金融市场特殊事件、监管以及流动性问题而发生异常变动从而产生一定量的稀疏噪声，加之收益中所固有的高斯噪声，传统卡尔曼滤波算法在该混合噪声模式下迭代过程将会受到较大影响、甚至发散。本文提出了基于遗传算法的扩展正则化卡尔曼滤波（extended regularized Kalman filter based on Genetic Algorithm,简称为GA-ErgKF），以检测、估计和滤除证券收益中所包含的稀疏噪声，保证算法在该噪声环境下求解动态资产定价模型（dynamic asset pricing model,简称DAPM）的稳定性。通过结合l1与l2范数的正则项，文章改进了正则化卡尔曼滤波中的凸优化求解问题，并进而利用遗传算法对此优化问题高效求解。
通过对上述理论的分析与拓展，文章进而探究了基于该类融合算法的动态资产定价模型在证券资产风险结构分析以及风险对冲中的应用。对于美国股票市场行业投资组合的实证研究结果表明，基于该类多源信息融合算法所求解的动态资产定价模型不仅对于资产收益的变动有着更强的解释能力，且模型能够有效分析、解释经济周期对于行业风险结构的显著冲击作用。此外，实证结果显示，波动较大的行业相对于稳定行业在稀疏噪声的密度与分布、时变alpha与beta波动率以及风险敞口变化特性方面都有显著不同，揭示了行业风险结构之间的差异性，以及某些稳定行业中所存在的固定盈利与投资模式。进一步的，该类算法求解的动态资产定价模型在资产风险对冲方面也显示了较为明显的优势性，且鲁棒性检验与超参数变化分析结果均支持了本文多源融合算法的科学性。