论文部分内容阅读
金融市场是国家资本市场的重要组成部分,它在保持国民经济的良好快速发展势头中有着不可替代的作用。股票作为其中的典型代表,深受投资者的关注。通过对股票走势的研究和预测,投资者希望挖掘成功的获利模式,管理者则可以进行干涉调控。由于股票数据非线性强,波动性大,至今没有突破性的进展,不过其巨大的挑战性和诱惑力依旧促使着人们不断地探索。随着智能金融,量化投资等概念的不断深化,人们需要找到更强大的智能算法应用于金融市场。机器学习和深度学习方法因其强大的表征学习能力而在许多领域都取得了卓越的成果。在此趋势下,两种学习方法渐渐被应用在金融领域。随着对股市建模完整性的需要和数据体量的增加,文本信息逐渐成为学者们研究股票的挖掘对象,由于股票预测还在研究阶段,构建有效的投资组合成为股票投资的常用方法,而神经网络模型也可帮助实现这一目标。本文的主要贡献如下:1)对股票交易时机预测进行研究,使用自适应阈值分段线性表示算法为每个交易日生成交易标签,提出将技术指标因子构建成多通道图片作为输入,结合卷积神经网络建立了完整的交易时机预测模型。以前一日收盘价的预测结果指导交易,实验表明模型的预测分类性能具有实际意义。结合投资策略和组合投资的模拟交易结果表明,该模型适合短期交易,且提供了较多的获利机会。2)探索挖掘基本面信息进行股票涨跌预测。采集证券公司发布的研究报告和企业财务报表披露的财务指标。面向研究报告,应用卡方检验和词袋模型进行文本表示,实验比较得出随机森林的效果优势明显。面向财务指标数据,提出了特征工程构建和局部归一化的思路,以此降低企业差异带来的财务指标数值差距,提高了分类预测的准确率。在预测股票中长期走势的任务中,两项实验的最佳准确率都达到了60%以上。3)对建立有效的指数跟踪股票组合进行研究,提出基于神经网络的“解码-编码”模型。解码网络从指数中还原个股信息,利用相关系数挑选出还原效果好的股票作为组合成份,编码网络模拟组合构建过程,通过训练确定组合权重。在对上证指数的组合构建中证明本文方法的有效性。