论文部分内容阅读
在大数据时代，量化交易的发展使得定量模型与信息技术在投资领域发挥着越来越重要的作用。本文立足于我国金融市场的现状，致力于建立一种结合了统计模型与人工智能技术的量化交易与风险管理系统。该系统涵盖了投资活动中的三个重要组成部分:一是投资组合优化，二是股票价格预测与交易，三是金融风险管理。 在投资组合优化中，我们基于一种新型的人工智能方法——遗传网络规划（Genetic Network Programming，简称GNP）对股票市场的信息进行判断，确定买卖时点，并在此基础上，引入了马可维茨的“均值-方差”投资组合模型，和“均值—CVaR”模型并分别构造其有效前沿，然后分别以“最小风险”和“最大收益-风险比”为目标构造了“最小方差投资组合”、“最大夏普率投资组合”、“全局最小CVaR投资组合”和“最大索提诺比率组合”等投资组合策略。经过均值—CVaR投资组合模型优化之后的遗传网络规划方法(GNP-CVaR)，结合了量化风险度量模型和人工智能技术的优点，首先使用CVaR测量各种资产的风险，然后据此构造投资组合，以期合理分配各资产的权重，最后使用GNP搜索有效的交易规则，确定各个资产的最优买点和卖点。在实证分析中，本文以中国A股市场上8支股票的日交易数据进行模拟，结果显示:GNP-CVaR模型能够获得比GNP模型和“买入并持有”策略更高的收益。其中，基于GNP和最大收益-风险比投资组合的模型在牛市中收益最大;而基于GNP和最小风险投资组合的模型在熊市中表现最好。 在股票价格预测方面，我们将融合现代变量选择方法LASSO和AIC、BIC子集选择法等数据挖掘技术，对股票价格的相关性与变动趋势进行预测，并结合神经网络模型对股票的买卖交易做出决策。该系统首先使用LASSO作为一种变量选择方法，它能够从众多技术指标中选出极少数最有效的指标，然后再将选出的指标作为输入变量，通过神经网络方法来搜索最优的交易规则，并以沪深300股指期货为例进行回测检验。结果显示:第一，与基于AIC和BIC准则构建的回归模型相比，LASSO方法选出的变量最少，而预测精度并未下降，且稳健性极强，用时最短;第二，经过神经网络模型的优化，交易系统的收益率和风险控制能力都得到了显著提高;第三，即使在考虑交易成本的前提下，该系统也可以超越“买入并持有”策略，获取超额收益。 在金融风险管理中，针对沪深300股指期货的保证金水平设定问题，我们提出了可动态调整保证金水平的APARCH-GPD模型。该模型首先针对金融收益率的尖峰厚尾性、集丛性、杠杆性等典型特征，使用APARCH模型进行有效拟合，完成去相关性、去杠杆性等任务，然后使用极值理论对残差尾部风险进行VaR度量。在此过程中，合理的引入遗传算法GA对GPD模型的参数进行优化，解决了极值理论中阈限选择的问题。因此，该模型很好地结合了APARCH模型良好拟合金融收益序列典型事实的特点、遗传算法强大的参数优化搜索能力、以及GPD充分拟合尾部残差的优点，可提供准确的VaR风险度量。实证结果表明，使用APARCH-GPD模型估计沪深300股指期货的保证金水平，其风险覆盖效果明显优于APARCH-norm模型、APARCH-t模型和APARCH-GED模型。研究还发现，目前股指期货市场的保证金水平偏高，具有下调空间，且空头头寸面临的价格波动风险要小于多头，因此可以对不同头寸设定差异化的保证金水平。 综上所述，我们旨在建立了一套用于金融风险管理和价格预测的智能交易系统，它不仅能对投资组合进行有效选择和风险控制，而且能够对股票的交易时点进行判断，为投资者们提供良好的决策工具。该系统克服了经典统计模型和现有人工智能技术各自的不足，充分结合了二者的优势，在金融投资领域体现了其独特性和优越性，具有极其重要的学术价值和现实意义。