一、随机指标在证券投资中的应用（论文文献综述）
温馨[1]（2021）在《基于LR-LightGBM模型的股票指数预测模型研究》文中研究指明股票指数变幻莫测,价格的波动受到大量因素的影响,时时刻刻产生海量的数据。因此,通过机器学习算法对千万级的指标进行处理,作为投资者的参考依据,为投资者带来更多收益,成为一个非常值得研究的问题。本文首先以LightGBM算法作为基础,其次构建了LR-LightGBM模型,来对股票指数的涨跌情况进行预测,模型效果得到了有效提升。首先,对金融指标进行比较分析,从中选取了11个主要的技术指标作为输入特征,综合考虑时间的短期与长期、噪声波动因素、具历史平均值的偏离程度等各个方面,全面的反映了影响股指变化的各类影响因素。选取中证500指数及沪深300指数两类公司的股指涨跌情况进行预测及分析,全面的反映了大市值公司以及中小市值公司的规律。验证LR-LightGBM模型在股指预测中的效果,将数据先通过LR模型进行处理,得到一个复合评价指标,并同其他数据一起输入到LightGBM模型进行预测。不同的模型结构对数据的不同规律具有不同的偏好性,通过线性模型对数据进行处理,可以在树形结构的模型中加入线性模型所反映的规律,有利于深层次的挖掘输入模型的数据特性,达到更好的效果。最后,对LR-LightGBM模型与LR、SVM、随机森林模型的准确率进行比较,对2016年度至2019年度每一年的数据进行预测,在不同的时间维度下,LR-LightGBM模型相比于其他模型均取得了较好的准确率,在中证500数据集中从53.7%提升到54.2%,在沪深300数据集中从53.9%提升到58.4%,最高提升了5个百分点左右。分别对LightGBM和LR-LightGBM模型分别进行回测。结果表明,LR-LightGBM模型效果优于原始模型预测效果,在实际股票数据的回测中取得了有效提升。
于龙飞[2]（2020）在《基于深度学习的股市量化交易系统设计与实现》文中研究指明中国资本市场是一个高速发展、前景广阔的市场,大数据、区块链和人工智能等金融科技与证券行业的融合不断深化,推动资本市场环境向着智能化、定制化、虚拟化的方向不断演进。量化交易是指在公开的资本市场上,通过对一系列资产进行有计划的买卖操作,实现规避风险和资产增值目的的投资行为。人工智能技术参与证券市场分析研判,预测股价波动和模拟股票交易等研究蓬勃发展,为传统量化交易领域提供了跨越式发展的新动力和新引擎。本文首先对近年来深度学习技术与股市量化交易领域相结合的成功案例进行了研究综述,梳理了深度学习在量化交易领域中的主要应用,归纳了当前深度学习技术在该领域中优势和局限性。然后从算法层面阐述了量化交易中的相关问题,对证券资产管理与量化交易策略进行了数学抽象,设计并实现了结合股市预测与投资决策于一体的量化交易系统。该系统从经典的资产组合管理角度出发,通过操作一系列股票资产,利用深度时间序列模型预测股票价格波动,利用深度强化学习算法控制交易决策,实现了由算法和数据“双轮驱动”的自动交易系统。最后结合VNPY量化交易框架基本原理,阐述了如何将深度学习算法嵌入到量化交易平台中进行实盘交易,并利用模拟交易环境对算法控制的投资过程进行了效果评估。通过模拟实验验证,本文所实现的基于深度学习的股市量化交易系统可以在一系列股票资产中选择出收益最优的投资组合,通过分散投资风险、探索交易时机、控制交易成本等方式,算法实现了在股市长期投资中获取超额收益。
祝养豹[3]（2020）在《基于XGBoost和LightGBM算法的多因子选股方案设计》文中认为伴随着计算机技术的迅速发展,量化投资在神州大地上方兴未艾。一般意义上的量化投资包含量化选股和择时、资产配置和算法交易等方面。相较于以基本面分析和技术分析为代表的传统选股方法,量化选股相对更加客观,具有不易受主观情绪影响的优点。以集成学习方法为代表的机器学习方法也在资本市场上得到了有效应用。微观层面,将前沿的机器学习算法应用于证券投资,构建能有效提高投资效率、提升投资收益率的选股模型,研究对模型贡献度较大的具体因子,在理论和实务两方面都具有较大的研究意义。宏观层面,对量化选股方法的深入研究,有助于拓宽投资者投资渠道、提高资本市场定价机制和完善资本市场机制建设。XGBoost模型和LightGBM模型均属于集成学习模型,在解决分类问题时具有效率快、准确率高和分类过程易可视化等优点。本文从分类问题的视角看待选股问题,并对XGBoost模型和LightGBM模型的选股能力进行了系统性研究。首先通过网格搜索法确定最优参数,并对确定的参数进行参数优化;然后通过年度和月度滚动测试对XGBoost模型和LightGBM模型的模型有效性、决策树结构和因子重要性进行对比分析;之后利用行业中性选股策略对XGBoost模型和LightGBM模型在量化选股领域的有效性进行深度探究;最后在行业中性选股的框架下进行包括LightGBM、XGBoost、GBDT、Ada Boost和随机森林等5种不同的集成学习模型的单因子测试,比较5种模型的时间和准确率两方面的差异。本文利用从2008年1月31日至2019年7月31日的所有A股股票共10个大类423个因子的月频数据和相应的月收益率数据进行建模分析,研究发现:（1）XGBoost和LightGBM分类模型具备不错的预测能力,且LightGBM分类模型预测能力强于XGBoost;（2）XGBoost和LightGBM分类模型具有较多参数,但只有较少参数能显着提高模型分类能力,其他参数可设置为默认值。（3）LightGBM、XGBoost、GBDT、Ada Boost和随机森林等集成学习模型均具有较好的选股能力,LightGBM和XGBoost的选股能力优于其他集成学习模型。（4）LightGBM和XGBoost分类模型应用于量化选股时运行速度快于GBDT、Ada Boost和随机森林等其他集成学习模型,且LightGBM模型的运行速度快于XGBoost。（5）Mkt Value（市值）、GREC（分析师推荐评级变化趋势）因子和DAREC（分析师推荐评级变化）等因子对股价收益率具有较大影响。2017年之前市场上重要性最大的因子是Mkt Value,其重要性在之后月度下降迅速。
李兴有[4]（2020）在《基于人工智能的量化多因子模型的拓展及在中国股票市场上的应用》文中研究指明量化投资主要基于数学的方法完成投资的决策和实施,而且其中往往伴随着计算机技术的参与。量化投资的理论、策略以及实践在金融环境成熟的海外投资市场已经发展多年。伴随着近年来人工智能技术的再度兴起,各种新技术、新模型和高性能的计算机也与量化投资的结合越来越紧密,并且相关的概念和研究也逐渐被越来越重视。量化投资具有很多特点:首先是严格按照数理结果做出投资决策。在量化投资中决策的依据是模型的结果,而不是投资者的感觉。量化投资很好的克服了传统投资方式下人性缺陷带来的不足,每一次的投资决策所有的行动理由全部基于严密的数学计算结果。其次量化投资可以做到高效、严密的处理分析数据。传统的投资方法面对当今信息时代爆炸性增长的数据,难以做到全面、缜密和具有逻辑的分析处理。而量化投资模型可以很快速的处理成千上万关于投资的信息,最新的人工智能算法又可以在复杂的各种信息中理清关系构建评估体系,可以说基于计算机技术的量化投资可以看到传统的投资方式难以看到的信息。最后量化投资可以做到从金融数据中发掘价值。从最初的统计套利,根据统计学的原理在具有相同性质的股票之间寻找价差,到之后基于概率和历史数据挖据模型,量化投资利用数学知识建立起完全有别于传统定性投资的方法,并不是只简单的借助股票基本性质来作为分析的手段。本文关注于量化投资策略中的多因子模型,借助人工智能技术对其进行拓展,具体的主要工作有:首先,在投资领域中量化投资策略占据着主导,量化投资策略的核心在于根据因子与收益和风险之间的关系来配置资产组合。因此提升资产配置效率的核心就在于对因子模型的不断改进,本文提出利用Elman神经网络来预测多因子模型中的因子,这种处理方法可以取得相较于传统的量化多因子模型更好的结果,文中以2017年2018年的8个季度数据为样本,首先检验了多因子模型的效果,结果表明多因子模型在中国证券市场中具有显着的效果。同时通过对比实验证明,未来一期的因子在建立资产配置组合时效果优于用当期因子预测资产未来的收益。而在预测未来一期因子方面,传统的线性回归模型对于数据要求较多,必须满足平稳或协整等条件。本文中通过检验表明因子数据无法满足相关要求。因此文中提出利用非线性的Elman神经网络来预测因子的未来走势,实验结果表明Elman神经网络预测出的因子可以起到一定的作用,并且将预测因子和原有的多因子模型相结合可以获得显着的优于原有模型的效果,该方法拓展了资产配置的途径,提升了资产配置的效率。其次,本文研究了宏观经济因子在多因子选股模型中的应用,在传统的多因子模型中,必须首先依靠Fama-MacBeth回归检验因子的有效性,当因子无法完成有效性检测时,则认为在传统的框架下无法建立起因子与股票收益率之间的关系,进而宏观经济因子不能应用于多因子选股模型。但是有些宏观经济因子与股票收益率之间存在关联是符合经济学研究的,因此本文提出为了更好的刻画二者之间的关系,可以在线性模型不能建立起二者之间关系的情况下,利用基于神经网络的非线性模型来研究宏观经济因子与股票收益率之间的关系,实验表明添加了宏观经济因子的神经网络模型能够更好的拟合股票收益率,更进一步本文依靠神经网络模型的预测结果作为评分依据建立多因子选股模型,实验表明神经网络模型选出的投资组合在收益率表现上显着优于传统方法,并且添加了宏观经济因素的多因子模型表现更为优异,这更进一步证明了宏观经济因子对于股票收益率的影响。最后,Smart Beta投资策略是基于Alpha策略和Beta策略相结合的一种投资策略,其核心是在跟踪指数的同时改变指数的权重确定方式。传统的指数和Beta策略在编制指数时大部分以成分股的市值、成交量等权重确定方式为依据。而Smart Beta策略则根据Alpha因子作为权重编制的依据。本文首先依据Smart Beta策略的构建方法,依据公司质量因子和等权重法分别对所跟踪的指数进行了构建,并比较了在Smart Beta策略下的两种权重确定方式的表现优劣。在对比中可以看出,不同的指数适合不同的权重确定方法。因此本文提出基于人工智能算法的分类功能来预测指数适合的权重确定方法。然后分别验证了BP神经网络和线性层模型对于指数适合权重方法的预测,结果表明人工智能算法对于分类不同的指数和其权重确定方式起到了一定作用。
陈静静[5]（2019）在《浅析KDJ指标在证券投资分析中的运用》文中研究说明证券市场上不可或缺的重要工具就是各类投资分析指标,而KDJ指标正是其中脱颖而出的一个。本文在理解KDJ指标在证券投资分析中运用的基础上,浅析KDJ指标的不足之处,并且提出针对的可行性建议。由于KDJ指标本身的敏感性特性所以较为适合中期分析。在者指标钝化,以及不能包含政府宏观政策等不足之处,鉴于此总结一些方法来控制改善KDJ指标在证券投资分析中的运用。
乔政[6]（2019）在《股票市场程序化投资模型的研究》文中认为随着我国计算机、互联网和大数据技术的迅速发展和股票等证券市场的蓬勃发展,程序化智能化投资模式正在快速地兴起和发展。人工智能技术的发展极大地提高了机器学习能力。计算机可以快速处理大量数据,总结有价值的信息和规律,制定新的投资策略并修改和完善现有的投资模型。本文通过机器学习算法和物理模型建立一个应用在股票市场中的程序化投资模型。通过数据挖掘方法和机器学习算法对影响股票价格的因子进行分类与筛选,运用决策树算法分析基本面候选因子所带来的复合收益,超额收益以及相关性,运用逻辑回归算法分析技术面候选因子的预测准确情况,进而选取对股票价格有显着影响的市场有效因子。考虑股票市场的实际情况以及国内宏观经济状况等对股票价格的影响,引入经典物理模型卡尔曼滤波模型对股票市场的技术面有效因子进行改进,主要应用到空间状态模型、新息过程以及卡尔曼增益计算等,以期使股票市场技术面有效因子可以更加显着地表现股票价格的变化趋势。通过多因子模型从基本面和技术面角度对股票进行程序化筛选组成股票池,建立具有优势的股票投资对象。并构建投资模型的投资思路与风险控制方法。最后实现投资策略模型的程序化。在实证研究中,使用股票池的历史数据对程序化投资模型进行回测,并将程序化投资模型用于实时模拟盘中进行测试,从净收益率与最大回撤等方面对程序化投资模型加以改进。本文通过机器学习算法和物理模型进行研究并建立一个应用在股票市场上的程序化投资模型,通过历史数据以及实盘模拟对程序化投资模型不断测试与改进,以期通过概率优势获得超额收益,帮助投资者在股票市场中获得更高的回报。
胡博然[7]（2019）在《基于改进布林线与KDJ指标相结合的量化策略研究》文中提出国内金融市场近几年快速发展,如今A股被纳入MSCI指数,中美贸易战不断加剧,使金融机构投资方式的不断改变,从传统的价值投资转向量化投资是未来发展趋势,国内收益率前十的基金机构超过一半以上选用量化投资方式。基本的量化投资是根据技术指标和财务指标相结合的方式,通过统计学中的概率判断市场未来走向,量化投资会避免投资者因情绪造成的风险,计算机判断买卖成交点时机更迅速,避免不必要的滑点成本,对个人投资者而言极具现实指导意义。本课题选择改进的布林线和KDJ指标相结合策略并在模拟和实证中运用量化投资的方法进行分析。在众多技术指标中选择布林线与KDJ指标相结合,KDJ属于判断超买和超卖类技术指标,布林线一般用于分析支撑压力类技术指标,将这两种技术指标相结合能够发挥彼此的优势使指标作用更加准确。研究中针对传统布林线的优缺点进行了阐述,已有的布林线中轨线是由移动平均线构成的,而移动平均线优点是适合判断一个长期趋势的变化,而面对市场波动会出现明显的滞后性,研究中利用卡夫曼自适应均线来代替布林线中轨线,优化传统布林线在面对波动时的不同之处,使用蒙特卡罗方法对比改进前后获得收益的概率。量化策略研究不光是针对买卖成交点的研究,对股票池的选取同样适用,本文选用多因子打分模型,通过财务指标的分析,其中候选因子包括4大类16个因子,涵盖估值、盈利、质量、营运等多个方面考虑,对沪深300股票的10个行业进行打分分析,选择出50只优质股票用作策略回测股票池,随机选择10只股票用作验证策略的广泛适用性,最终价值投资策略和组合策略利用两组股票池做对比收益分析,论证量化投资比价值投资在当前金融环境下更能给投资者带来收益率,而价值投资策略依靠优质的股票池也是具有投资意义的。
李杰[8]（2019）在《基于随机森林算法的多因子选股模型研究》文中研究表明本文研究目的为怎样利用机器学习方法与传统多因子选股模型相结合,并构建基于随机森林算法的多因子选股模型,通过随机森林算法对个股进行分类从而筛选出具有投资价值的股票,进而构造有效的投资组合。本文以全A股票作为股票池,以各个大类因子作为因子池,分别选取了价值类、成长类、动量类、财务质量类、技术类以及分析师情绪类六大类共23个因子作为备选因子,因子数据的选取为2010年1月到2017年12月每月最后一个交易日的数据,以因子数据和对应下期股票月收益率数据构建样本集。其中将2010年1月到2013年12月的样本用于模型参数寻优,以确定随机森林算法超参数和最优训练窗长;将2014年1月到2017年12月的样本用于样本外模型回测,以分析模型选股效果。基于随机森林算法的多因子选股模型是一个动态的选股模型,其在每个回测时段都要利用过去6个月的样本数据对模型进行训练,利用当期因子数据进行预测,选取预测概率排名靠前的50只股票作为下期股票持仓,并对其进行等权配置。模型的整个构建过程大体可分为三个部分:数据预处理及有效因子筛选、模型参数优化与结果分析、模型改进与优化。本文基于随机森林算法的多因子选股模型在回测期2014年1月到2017年12月内取得的总收益为160.05%,年化收益为27.64%,大幅度领先市场基准（沪深300与中证500）,可证明该选股模型具有较好的选股性能。同时对比分析非动态学习模型,本文构建的动态学习模型体现出其时效性,在一定程度上能反映市场的变化。另外在模型的改进与优化方面,通过以预测概率加权确定组合权重、以因子重要性进行因子再筛选、进行因子轮动都能提升原模型的选股效果。
梁艳[9]（2019）在《基于灰色关联度分析的量化投资策略研究》文中研究表明随着我国金融经济的不断发展,股市形势也变得更加复杂,以往传统的投资方式已经不能满足人们日渐增长的投资需求。量化投资是近年来股票投资研究的流行趋势之一,即对海量历史数据进行分析得到一种可以获取稳定超额收益的投资策略。本文以股票技术指标为研究对象,应用改进的灰色关联度分析法对大量历史数据进行实证分析,提出了一个新的量化投资策略。首先,为了研究股票技术指标间的关联度,将相关分析与聚类分析融入到传统的灰色关联度分析法中,进而得到了“改进的灰色关联度分析法”;然后,应用改进的灰色关联度分析法对常用股票技术指标进行研究,得到若干股票技术指标,称为“量化指标组合”,通过对量化指标组合进行参数选择、买卖规则及股票买卖点的确定,从而构建了量化投资策略;最后,选取了沪市A股几个时间段的股票历史数据对量化投资策略进行实证分析,验证了策略的可行性及有效性。本文运用改进的灰色关联度分析法对股票技术指标进行了研究,得到了量化指标组合,进而构建了量化投资策略,并对量化投资策略的可行性及有效性进行了实证分析,结果表明本文所构建的量化投资策略对于股票投资研究具有一定的现实意义和实用价值。
任君[10]（2019）在《基于SVM和LSTM网络预测的股票量化投资模型》文中提出量化投资是指通过统计方法预测股价走势以获取稳定收益为目的的投资方式.股票市场中,股票数量较多,股价的波动具有不确定性,如何准确预测股价走势构建投资组合是量化投资中的一个问题.本文将机器学习方法与投资组合相结合,使用优化的支持向量机（Support Vector Machines,SVM）与长短期记忆（Long Short Term Memory,LSTM）网络对股票的涨跌进行预测,再对预测为涨的股票建立投资组合,构建相应的量化投资模型.本文主要工作和结论如下:1.在预测实时更新的股票时间序列时,要求算法具有较快的迭代速度.针对该问题,本文提出一种空间剪切-变步长的网格搜索算法,利用该搜索算法寻找SVM中的C和σ参数,使得SVM在保证预测精度较高的情况下,大大减少寻参用时,提高SVM的训练效率.本文以股票行情数据为基础,选择常用的量化技术指标作为SVM的输入变量,对股票的涨跌进行预测.2.股票技术指标为时间序列,时间相近的数据之间必然存在潜在的关系,本文利用具有记忆性的LSTM网络对股价进行涨跌预测,LSTM网络中节点的特殊结构有效地控制历史信息,使该网络更好的学习训练集中的潜在规律.学习率的取值是训练LSTM网络过程的一个重要环节,本文采用指数衰减法选取每次模型迭代中的学习率,通过学习率的动态选择提高LSTM网络的训练速度.3.建立LASSO回归的均值-方差组合模型.在实际应用中,传统的均值-方差模型不具有稳定性.针对该问题,本文利用LASSO回归的均值-方差组合模型在优化的SVM和LSTM网络预测为上涨的股票集合中建立投资组合.该组合模型不仅具有度量投资收益和风险的能力,而且对股票起到筛选的作用.由于该组合模型的期望函数中含有随机变量,在求解过程中很难找到一个完全满足条件的数值解,因此,本文采用样本均值相似法对该期望函数进行近似替换,得到所筛选的股票及投资权重.本文基于优化的SVM和LSTM网络,分别构建GSVM-L和ELSTM-L量化投资模型,在沪深300指数中所选取133只成份股票进行回测分析,对比结果表明,该量化投资模型取得较高的投资收益,且具有较强的抗风险能力,也充分验证其在股票市场上获得超额收益的可行性.
二、随机指标在证券投资中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、随机指标在证券投资中的应用（论文提纲范文）
（1）基于LR-LightGBM模型的股票指数预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的和意义 |
| 1.3 研究的内容与方法 |
| 1.4 本文的主要特点 |
| 2 相关理论与文献综述 |
| 2.1 相关理论介绍 |
| 2.1.1 技术分析方法 |
| 2.1.2 量化投资 |
| 2.1.3 HS300 指数相关概念 |
| 2.2 文献综述 |
| 2.2.1 证券投资分析法 |
| 2.2.2 时间序列分析法 |
| 2.2.3 机器学习分析法 |
| 2.2.4 对文献的总结分析 |
| 2.3 股指趋势预测问题的描述分析 |
| 2.3.1 股指时间序列的特点 |
| 2.3.2 股票指数预测现状描述 |
| 2.3.3 股票指数趋势预测问题分析 |
| 2.4 本章小结 |
| 3 基于LightGBM的股票指数趋势预测模型与改进 |
| 3.1 方案设计的总体思路 |
| 3.2 相关理论框架 |
| 3.2.1 逻辑回归模型 |
| 3.2.2 LightGBM模型 |
| 3.2.3 LR-LightGBM模型 |
| 3.3 LR-LightGBM方案的主要内容 |
| 3.3.1 方案设计的框架 |
| 3.3.2 特征选取及数据处理 |
| 3.3.3 LR-LightGBM算法的训练参数和评估方法 |
| 3.4 本章小结 |
| 4 LR-LightGBM模型实验结果与合理性论证 |
| 4.1 LR-LightGBM模型的结果展示 |
| 4.2 LR-LightGBM方案的合理性论证 |
| 4.3 本章小结 |
| 5 总结与展望 |
| 5.1 本文的主要研究结论 |
| 5.2 存在的不足及下一步研究计划 |
| 参考文献 |
| 致谢 |
| 附录1 攻读硕士学位期间参与的项目和发表的论文 |
（2）基于深度学习的股市量化交易系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 课题现状和研究意义 |
| 1.3 本文的主要工作 |
| 1.4 论文结构 |
| 第2章 深度学习在股市量化交易领域的研究综述 |
| 2.1 股市量化交易研究现状 |
| 2.1.1 股市量化交易的基本理论 |
| 2.1.2 量化交易的策略类型 |
| 2.2 深度学习在股市量化交易领域主要研究方向 |
| 2.2.1 基于强化学习算法的证券资产交易研究 |
| 2.2.2 基于股票历史数据的股价预测研究 |
| 2.2.3 基于文本信息的上市公司研究 |
| 2.3 深度学习在股市量化交易领域面临的主要问题 |
| 2.3.1 深度学习方法相互结合问题 |
| 2.3.2 深度学习算法可适用性问题 |
| 2.3.3 深度学习训练的知识引入问题 |
| 2.4 本章小结 |
| 第3章 系统相关问题与算法 |
| 3.1 量化交易相关问题 |
| 3.1.1 证券资产管理问题的数学表示 |
| 3.1.2 交易问题的数学表示 |
| 3.1.3 相关假设 |
| 3.2 深度强化学习算法 |
| 3.2.1 强化学习概述 |
| 3.2.2 基于值函数的强化学习算法 |
| 3.2.3 基于策略优化的强化学习算法 |
| 3.3 时间序列预测算法 |
| 3.4 量化交易算法总体设计 |
| 3.4.1 时序因果性 |
| 3.4.2 总体设计 |
| 3.5 本章小结 |
| 第4章 系统详细设计与实现 |
| 4.1 系统结构 |
| 4.2 数据采集和预处理 |
| 4.2.1 股票特征 |
| 4.2.2 数据特征工程 |
| 4.3 量化交易算法实现 |
| 4.3.1 构建模拟环境 |
| 4.3.2 深度学习算法训练与交易决策 |
| 4.3.3 算法API接口 |
| 4.4 与VNPY平台对接 |
| 4.4.1 事件驱动引擎 |
| 4.4.2 资产管理 |
| 4.4.3 订单处理 |
| 4.4.4 风险控制 |
| 4.4.5 回测评估 |
| 4.5 本章小结 |
| 第5章 系统测试与结果评估 |
| 5.1 系统测试 |
| 5.1.1 测试评估指标 |
| 5.1.2 测试方案 |
| 5.2 结果评估 |
| 5.3 实盘交易 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的学术成果目录 |
| 攻读学位期间参与的科研项目 |
| 学位论文评阅及答辩情况表 |
（3）基于XGBoost和LightGBM算法的多因子选股方案设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.1.1 量化选股简介 |
| 1.1.2 机器学习与多因子选股 |
| 1.2 研究背景 |
| 1.3 研究意义 |
| 1.4 研究内容与技术路线 |
| 1.5 研究方法与创新点 |
| 1.5.1 研究方法 |
| 1.5.2 创新点 |
| 第二章 国内外研究现状 |
| 2.1 传统模式选股文献综述 |
| 2.1.1 基本面选股 |
| 2.1.2 技术分析选股 |
| 2.2 量化选股文献综述 |
| 2.3 本章小结 |
| 第三章 相关理论基础 |
| 3.1 多因子模型 |
| 3.1.1 资本资产定价模型 |
| 3.1.2 多因子模型 |
| 3.2 梯度提升决策树 |
| 3.3 XGBoost |
| 3.4 LightGBM |
| 3.4.1 基于直方图的决策树算法 |
| 3.4.2 带深度限制的Leaf-wise生长策略 |
| 3.4.3 单边梯度采样算法 |
| 3.4.4 互斥特征捆绑算法 |
| 3.5 本章小结 |
| 第四章 因子数据处理 |
| 4.1 数据来源及数据内容 |
| 4.2 数据预处理 |
| 4.3 本章小结 |
| 第五章 模型、策略构建与评价 |
| 5.1 模型评价指标与回测流程 |
| 5.2 模型超参寻优 |
| 5.2.1 XGBoost分类模型参数优化 |
| 5.2.2 LightGBM分类模型参数优化 |
| 5.3 XGBoost和 LightGBM模型对比分析 |
| 5.3.1 有效性对比分析 |
| 5.3.2 决策树结构对比分析 |
| 5.3.3 因子重要性统计 |
| 5.4 行业中性分层选股 |
| 5.4.1 行业中性选股策略步骤 |
| 5.4.2 分层回测结果 |
| 5.5 主要集成学习模型选股能力比较 |
| 5.5.1 运行速度比较分析 |
| 5.5.2 选股能力比较分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 附录 |
| 附录一 :因子字典 |
| 附录二 :XGBoost模型主要参数 |
| 附录三 :LightGBM模型主要参数 |
| 致谢 |
（4）基于人工智能的量化多因子模型的拓展及在中国股票市场上的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 选题背景及研究意义 |
| 一、选题背景 |
| 二、研究意义 |
| 第二节 研究内容和方法 |
| 一、研究内容 |
| 二、研究方法 |
| 三、研究创新点 |
| 第二章 研究综述 |
| 第一节 从投资理论的历史中认识量化 |
| 第二节 现代资产组合理论及其发展 |
| 一、现代资产组合理论 |
| 二、现代资产组合理论之后的发展及完善 |
| 第二节 CAPM理论及其发展 |
| 一、CAPM理论的基本内涵 |
| 二、CAPM理论的发展和完善 |
| 第三节 多因子模型理论及其发展 |
| 一、Fama-French因子模型 |
| 二、因子模型中因子的研究 |
| 三、基于因子模型的Alpha策略与Beta策略 |
| 第四节 人工智能的内涵与发展 |
| 一、人工智能的基本定义与内涵 |
| 二、人工智能在金融领域的应用 |
| 第五节 有关量化投资的研究方法 |
| 第六节 对当前研究的总结评析 |
| 第三章 量化投资的Alpha策略 |
| 第一节 引言 |
| 第二节 量化投资策略理论及其实践 |
| 一、量化多因子模型以及其具体实践 |
| 二、因子选股在中国股市的有效性实践 |
| 第三节 利用神经网络探寻新的Alpha因子 |
| 一、人工神经网络 |
| 二、Elman神经网络预测Alpha因子未来的值 |
| 第四节 基本结论 |
| 第四章 宏观经济Alpha因子 |
| 第一节 引言 |
| 第二节 传统的宏观因子有效性检测方法 |
| 一、传统的回归方式检测因子的有效性 |
| 二、Fama-MacBeth回归 |
| 第三节 Fama-MacBeth回归的实践 |
| 第四节 基于神经网络模型检测宏观因子有效性 |
| 第五节 分析与结论 |
| 第五章 量化投资中的Beta策略 |
| 第一节 前言 |
| 第二节 量化投资中的Beta策略 |
| 一、Beta策略的内涵和发展 |
| 二、Smart Beta策略以及其内涵 |
| 第三节 Smart Beta策略实践 |
| 一、数据和指数权重 |
| 二、人工智能算法的训练数据要求和指数的设定 |
| 第四节 基于人工智能的Smart Beta权重策略 |
| 一、线性层和BP神经网络的基本内涵和数学实现 |
| 二、基于BP神经网络的数据实验 |
| 三、实验结果分析 |
| 第五节 分析与结论 |
| 第六章 研究结论与展望 |
| 第一节 主要研究总结 |
| 第二节 研究的主要发现和结论 |
| 第三节 新技术带来新挑战及政策含义 |
| 第四节 研究不足和展望 |
| 参考文献 |
| 英文参考文献 |
| 中文参考文献 |
| 后记 |
| 攻读博士学位期间取得的研究成果 |
（5）浅析KDJ指标在证券投资分析中的运用（论文提纲范文）
| 一、KDJ指标在证券投资分析中的劣势 |
| （一）KDJ指标的应用原则 |
| （二）KDJ指标在证券投资分析中的劣势 |
| 二、KDJ指标在证券投资分析中的可行性建议 |
| （一）正确认识指数指标的背离 |
| （二）指标钝化的处理方式 |
| （三）各分析指标之间综合分析，相互检验 |
| 三、结语 |
（6）股票市场程序化投资模型的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题来源及研究的背景和意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究的背景和意义 |
| 1.2 相关文献综述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 研究现状评析 |
| 1.3 研究内容和研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方案 |
| 1.3.3 技术路线图 |
| 第2章 程序化投资模型的理论基础 |
| 2.1 决策树算法 |
| 2.1.1 基本分类过程 |
| 2.1.2 分类规则 |
| 2.1.3 剪枝处理 |
| 2.1.4 连续值与缺失值 |
| 2.2 卡尔曼滤波理论 |
| 2.2.1 空间状态模型 |
| 2.2.2 逐次状态预测问题 |
| 2.2.3 空间状态模型的分类 |
| 2.3 本章小结 |
| 第3章 股票市场有效因子的筛选与改进 |
| 3.1 股票市场有效因子的筛选 |
| 3.1.1 股票市场常见因子 |
| 3.1.2 机器学习算法对常见因子的筛选 |
| 3.1.3 决策树算法对常见因子的筛选结果 |
| 3.2 股票市场有效因子的改进 |
| 3.2.1 卡尔曼滤波模型对有效因子的改进 |
| 3.2.2 卡尔曼滤波模型对有效因子的改进效果分析 |
| 3.3 本章小结 |
| 第4章 程序化投资模型的设计与实现 |
| 4.1 程序化投资模型的系统开发过程 |
| 4.2 程序化投资模型的系统的设计与实现 |
| 4.2.1 变量定义模块 |
| 4.2.2 数据处理模块 |
| 4.2.3 投资决策模块 |
| 4.2.4 投资执行模块 |
| 4.2.5 风险控制模块 |
| 4.3 程序化投资模型的实现与验证 |
| 4.4 程序化投资模型的优化与改进 |
| 4.5 本章小结 |
| 第5章 程序化投资模型的实证研究 |
| 5.1 股票池的构建方法 |
| 5.1.1 多因子选股模型 |
| 5.1.2 选股模型的实现 |
| 5.1.3 选股模型的结果 |
| 5.2 程序化投资模型的历史数据检验与分析 |
| 5.2.1 收益评估 |
| 5.2.2 风险评估 |
| 5.2.3 操作评估 |
| 5.3 程序化投资模型在模拟投资的检验与分析 |
| 5.3.1 历史数据与实时数据的差异 |
| 5.3.2 模拟投资的测试结果 |
| 5.3.3 程序化投资模型的优化改善 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
| 附录 数据爬取与预处理代码 |
（7）基于改进布林线与KDJ指标相结合的量化策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源及研究背景和意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景和意义 |
| 1.2 相关文献综述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 研究现状评析 |
| 1.3 本文主要研究内容 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 第2章 研究的理论基础 |
| 2.1 布林线指标理论 |
| 2.1.1 布林线的组成 |
| 2.1.2 布林线参数设定 |
| 2.2 KDJ指标理论 |
| 2.2.1 KDJ指标的计算方式 |
| 2.2.2 KDJ指标的应用 |
| 2.3 卡夫曼自适应移动均线理论 |
| 2.4 蒙特卡罗方法 |
| 2.5 本章小结 |
| 第3章 改进传统布林线和KDJ结合的量化策略研究 |
| 3.1 改进传统布林线方法设计 |
| 3.2 传统布林线与改进布林线之后对比 |
| 3.2.1 传统布林线优势与不足 |
| 3.2.2 布林线改进之后优势对比 |
| 3.3 改进布林线与传统布林线实证对比分析 |
| 3.3.1 沪深300 实证对比分析 |
| 3.3.2 期货市场实证对比分析 |
| 3.4 改进布林线与KDJ相结合的组合策略 |
| 3.4.1 策略设计 |
| 3.4.2 组合策略针对国内股市情况优势分析 |
| 3.5 改进布林线组合策略与传统布林线组合策略实证对比分析 |
| 3.5.1 传统布林线组合策略回测沪深300 研究 |
| 3.5.2 改进布林线组合策略回测沪深300 研究 |
| 3.5.3 组合策略改进前后实证对比总结 |
| 3.6 本章小结 |
| 第4章 量化交易中股票池筛选 |
| 4.1 多因子选股打分模型 |
| 4.2 候选财务因子 |
| 4.3 因子测试 |
| 4.4 模型构建 |
| 4.5 本章小结 |
| 第5章 组合策略实证对比研究 |
| 5.1 组合策略与长期持有型策略对比实证分析 |
| 5.1.1 应用50 只股票池股票实证分析 |
| 5.1.2 随机选取10 只股票实证分析 |
| 5.2 组合策略参数优化 |
| 5.3 组合策略应用建议 |
| 5.4 组合策略不足 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
| 附录 |
（8）基于随机森林算法的多因子选股模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.3.3 国内外文献综述的简析 |
| 1.4 研究内容和论文框架 |
| 1.4.1 研究内容 |
| 1.4.2 研究框架 |
| 第2章 理论与方法基础 |
| 2.1 量化投资与机器学习 |
| 2.1.1 量化投资 |
| 2.1.2 机器学习简述 |
| 2.1.3 机器学习在量化投资中的应用 |
| 2.2 多因子选股模型 |
| 2.3 随机森林算法相关理论 |
| 2.3.1 随机森林概述 |
| 2.3.2 随机森林基分类器 |
| 2.3.3 随机森林分类效果评价 |
| 2.4 理论模型构建 |
| 2.5 本章小结 |
| 第3章 数据预处理及有效因子筛选 |
| 3.1 数据获取 |
| 3.2 候选因子选取 |
| 3.3 数据预处理 |
| 3.4 因子有效性检验 |
| 3.4.1 因子IC检验 |
| 3.4.2 回归显着性检验 |
| 3.4.3 有效因子筛选 |
| 3.5 本章小结 |
| 第4章 基于随机森林的多因子模型构建 |
| 4.1 随机森林超参数优化 |
| 4.2 最佳训练窗长选取 |
| 4.3 模型构建与结果分析 |
| 4.3.1 回测结果分析 |
| 4.3.2 与非动态学习模型对比分析 |
| 4.3.3 因子重要性分析 |
| 4.4 本章小结 |
| 第5章 模型改进与优化 |
| 5.1 调整组合权值 |
| 5.2 调整调仓周期 |
| 5.3 因子重要性筛选 |
| 5.4 因子轮动 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（9）基于灰色关联度分析的量化投资策略研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第一章 引言 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 量化投资—多因子选股模型 |
| 1.2.2 灰色关联度分析 |
| 1.2.3 股票技术指标 |
| 1.3 研究对象和研究方法 |
| 1.4 论文框架和主要研究内容 |
| 1.5 论文的创新与不足 |
| 第二章 常用股票技术指标介绍 |
| 2.1 股票技术指标概念介绍 |
| 2.2 股票技术指标参数设置 |
| 第三章 灰色关联度分析法及其改进 |
| 3.1 灰色关联度分析法 |
| 3.2 改进的灰色关联度分析法 |
| 3.3 改进的灰色关联度分析法与原方法对比分析 |
| 第四章 量化投资策略的构建 |
| 4.1 指标筛选 |
| 4.1.1 指标相关分析结果统计 |
| 4.1.2 指标聚类分析结果统计 |
| 4.1.3 指标灰色关联度分析结果 |
| 4.2 量化指标组合参数选取及指标买卖规则确定 |
| 4.2.1 指标组合参数选取 |
| 4.2.2 各指标买卖规则确定 |
| 4.3 股票买卖点的确定 |
| 第五章 量化投资策略实证分析 |
| 5.1 量化投资策略可行性验证 |
| 5.1.1 选股条件设置 |
| 5.1.2 选股收益分析 |
| 5.2 量化投资策略有效性验证 |
| 第六章 结论 |
| 6.1 结论 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（10）基于SVM和LSTM网络预测的股票量化投资模型（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 存在的问题 |
| 1.3 主要内容及贡献 |
| 1.4 论文结构 |
| 第2章 支持向量机与神经网络 |
| 2.1 支持向量机 |
| 2.1.1 线性支持向量机 |
| 2.1.2 非线性支持向量机 |
| 2.2 神经网络 |
| 2.2.1 循环神经网络 |
| 2.2.2 长短期记忆网络 |
| 2.3 本章小结 |
| 第3章 股票量化指标与技术 |
| 3.1 量化技术指标介绍 |
| 3.2 滚动预测方法 |
| 3.3 均值-方差投资组合模型 |
| 3.3.1 投资组合概述 |
| 3.3.2 均值-方差模型 |
| 3.4 LASSO回归方法 |
| 3.4.1 变量选择 |
| 3.4.2 LASSO回归的思想 |
| 3.4.3 LASSO回归的求解方法 |
| 3.5 本章小结 |
| 第4章 基于GSVM-L的量化投资模型及实证分析 |
| 4.1 GSVM-L量化投资模型的构建 |
| 4.1.1 空间剪切-变步长网格搜索算法 |
| 4.1.2 LASSO回归的均值-方差组合模型 |
| 4.1.3 GSVM-L模型及动态更新 |
| 4.2 实验与结果分析 |
| 4.2.1 数据处理 |
| 4.2.2 预测信号与评价标准 |
| 4.2.3 对照模型与滑动窗口 |
| 4.2.4 模型预测与结果分析 |
| 4.3 本章小结 |
| 第5章 基于ELSTM-L的量化投资模型及实证分析 |
| 5.1 ELSTM-L量化投资模型的构建 |
| 5.1.1 网络结构设定与参数选择 |
| 5.1.2 ELSTM-L模型及更新规则 |
| 5.2 实验与结果分析 |
| 5.2.1 数据处理 |
| 5.2.2 构建股票投资组合 |
| 5.2.3 回测绩效评价 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间获得的科研成果 |
| 附录 |
四、随机指标在证券投资中的应用（论文参考文献）
- [1]基于LR-LightGBM模型的股票指数预测模型研究[D]. 温馨. 武汉邮电科学研究院, 2021(01)
- [2]基于深度学习的股市量化交易系统设计与实现[D]. 于龙飞. 山东大学, 2020(10)
- [3]基于XGBoost和LightGBM算法的多因子选股方案设计[D]. 祝养豹. 南京大学, 2020(02)
- [4]基于人工智能的量化多因子模型的拓展及在中国股票市场上的应用[D]. 李兴有. 中国社会科学院研究生院, 2020(12)
- [5]浅析KDJ指标在证券投资分析中的运用[J]. 陈静静. 纳税, 2019(20)
- [6]股票市场程序化投资模型的研究[D]. 乔政. 哈尔滨工业大学, 2019(02)
- [7]基于改进布林线与KDJ指标相结合的量化策略研究[D]. 胡博然. 哈尔滨工业大学, 2019(02)
- [8]基于随机森林算法的多因子选股模型研究[D]. 李杰. 哈尔滨工业大学, 2019(02)
- [9]基于灰色关联度分析的量化投资策略研究[D]. 梁艳. 太原科技大学, 2019(04)
- [10]基于SVM和LSTM网络预测的股票量化投资模型[D]. 任君. 武汉理工大学, 2019(07)