基于LSTM多因子股价预测模型的量化择时策略

摘要

近年来，人工智能技术发展迅猛，而股价走势具有较大的随机性和波动性，以及明显的非线性特点，机器学习和深度学习算法具有自动提取特征和学习能力强大的特点，非常适合处理股票价格等复杂数据。BP 神经网络算法在股价预测上具有较为成熟的应用，而 LSTM 作为一种时间递归神经网络，可以接受更广泛的时间序列输入，更适用于处理非线性时序信息，但在股市预测中的应用较少，因此对应用于股市预测领域有一定的探索和实践意义。　　本文构建了基于 LSTM 股价预测模型的量化择时策略。该策略主要由两部分构成：第一部分为 LSTM 多因子股价预测模型。在该部分中，第一步构建了多因子择时交易指标体系，该体系由基本交易指标、技术因子指标、行情指标及网络媒体指标组合构建；第二步构建了特征选择组合模型，综合了Corr，Lasso， MIC，RF，RFE 等五种特征选择方法，将重要度按照“强”“中”“弱”进行分类，然后剔除“弱”重要度的指标用来防止噪声对预测的干扰；第三步采用LSTM算法进行股价预测，并与BP神经网络的预测效果进行对比。第二部分为策略交易，该部分基于第一部分的多因子股价预测模型，以股价的预测结果分别构建了“买卖信号”和“信号强度”指标，用于指导买卖操作及股票的买卖数量。　　实证对象为中国银行（股票代码：601988）和万科A（股票代码：000002），实验结果表示，LSTM在股价预测上比BP神经网络具有更好的表现，同时，本文构建的基于 LSTM 多因子股价预测的量化择时策略在策略收益和风险上均有不错的表现。　　本文主要有两方面的创新：一是创新指标的引入。传统的股价预测指标为基本交易指标、技术因子指标及行情指标，本文加入了新闻热度指数、新闻情感指数、社交热度指数作为网络媒体指标，丰富了股价预测的指标体系，并实证证明了网络媒体指标对股价预测具有较高的特征重要度。二是量化择时策略的创新。LSTM适用于处理非线性时序信息，而在股市预测中的应用较少，本文综合Corr， Lasso，MIC，RF，RFE等多个特征选择方法进行指标筛选，并与LSTM组合构建了股价预测模型。然后基于股价预测涨跌构建了“买卖信号”指标，根据股价预测涨跌幅度构建了“信号强度”指标，买卖信号用于指导进行买卖操作，信号强度用于指导设置不同程度的仓位，该择时策略有助于获取更多盈利。

目录

声明

第一章 绪论

第一节 研究背景和意义

第二节 文献综述

第三节 研究内容及结构安排

第四节 技术路线和创新点

第二章 相关理论概述

第一节 量化择时理论

第二节 BP神经网络介绍

第三节 LSTM神经网络介绍

第四节 特征选择方法介绍

本章小结

第三章 择时策略的构建

第一节 多因子股价预测指标体系构建

第二节 择时模型的构建

第三节 择时策略构建及评估

本章小结

第四章 模型实证与策略回测

第一节 股价预测模型实证

第二节 策略回测

本章小结

第五章 结论与展望

第一节 结论

第二节 展望

参考文献

硕士学位期间获得的研究成果

致谢