论文部分内容阅读
2020年2月12号到3月16日,美国道琼斯指数在35天内从最高的29568.57跌到18917.46,跌幅达到36.02%。期间出现多次熔断,很多投资者面临着巨大的财务问题,甚至破产。与之不同的是西蒙斯创办的大奖章基金,在疯狂熔断的3月,大奖章基金获得了9.9%的纯利润回报,而该基金避免损失的秘诀其实是量化投资。作为量化投资的分支之一,利用神经网络来预测股票价格趋势在过去几年中已经成为了一个热点和焦点。本文主要研究神经网络在量化选股上的应用。针对2016年2月1日到2020年2年1日四年的所有A股,通过预测A股未来一周的股价趋势来选出表现更好的三个个股。为了符合预测一周内的股价趋势,本文选择了影响股价趋势的5个技术指标(最高价、最低价、开盘价、收盘价和换手率),通过利用过去34个日数据和过去30个周数据,将一维的时间序列变成了一个64×5的二维数据,然后以周为步长向前延伸,窗口化生成训练集和验证集。本文研究了隐藏层的层数、批次、迭代次数以及优化器等参数对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,并用这两种神经网络对个股涨跌进行预测,结果表明两种神经网络模型对股价预测效果都较好。最后构造了一个A股选股策略,在上一章的股价预测模型的基础上,进一步形成了基于神经网络的量化选股模型。并将两种神经网络选股模型与技术指标模型作比较。在策略收益、累计回报率和跑赢上证指数等收益数据上,两种神经网络选股模型都比传统技术指标选股模型表现好三倍以上;而在夏普比率和最大回撤率等风险指标上,两种神经网络选股模型都比传统技术指标选股模型要好70%以上。综上所述,两种神经网络选股模型的各种收益都表现很好,夏普比率高和最大回撤率低都说明了风险也都很低,这表明基于神经网路的量化选股模型是有效的,且能够带来超额收益。