收藏本站
《中国社会科学院研究生院》 2020年
收藏 | 手机打开
二维码
手机客户端打开本文

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

李兴有  
【摘要】: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著的效果。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著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著优于传统方法,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。
【学位授予单位】:中国社会科学院研究生院
【学位级别】:博士
【学位授予年份】:2020
【分类号】:TP18;F832.51

知网文化
【相似文献】
中国期刊全文数据库 前10条
1 侯春羽;袁超凤;马维军;;带协变量的混合因子模型及应用[J];黑龙江大学自然科学学报;2019年05期
2 王正炜;;构建网络热度因子模型分析股价运动规律[J];中国市场;2018年27期
3 韩猛;缪言;白仲林;;动态因子模型的结构识别研究[J];系统工程理论与实践;2016年07期
4 徐霜雪;俞宗火;李月梅;;预测视角下双因子模型与高阶模型的模拟比较[J];心理学报;2017年08期
5 元万达;;股权分置改革与资本市场效率的思考——基于三因子模型的实证检验[J];纳税;2017年16期
6 曹立言;;玛法五因子模型与三因子模型的中国市场有效性对比[J];现代经济信息;2017年18期
7 高华川;赵娜;;基于多层因子模型的我国核心通货膨胀估计[J];统计研究;2016年04期
8 程海星;朱满洲;;大数据背景下的动态因子模型预测机理与效果研究[J];投资研究;2015年03期
9 裴茜;朱书尚;;中国股票市场的行业特质性金融传染特征:基于网络模型的实证研究[J];金融学季刊;2017年02期
10 韩冰;;中国股市的三因子模型实证分析[J];现代商业;2014年21期
中国重要会议论文全文数据库 前10条
1 徐霜雪;俞宗火;董圣鸿;;预测视角下的双因子模型与高阶因子模型的模拟比较研究[A];第十九届全国心理学学术会议摘要集[C];2016年
2 顾红磊;温忠麟;;双因子模型:多维构念测量的新视角[A];心理学与创新能力提升——第十六届全国心理学学术会议论文集[C];2013年
3 顾红磊;温忠麟;;项目表述效应的检验与控制——基于双因子模型的视角[A];第十七届全国心理学学术会议论文摘要集[C];2014年
4 汤丹丹;温忠麟;;两类双因子模型和高阶因子模型的模拟比较:模型拟合与结构系数[A];第二十一届全国心理学学术会议摘要集[C];2018年
5 张国富;杜子平;;人力资本约束下地区全要素生产率趋同研究——基于非线性时变单因子模型的实证分析[A];第八届(2013)中国管理学年会——城市与区域管理分会场论文集[C];2013年
6 杜江红;尚雪松;孟慧;聂光辉;李永鑫;;成人依恋风格是维度的、类型的还是维度和类型的混合?[A];第十九届全国心理学学术会议摘要集[C];2016年
7 顾红磊;温忠麟;;多维测验分数的报告与解释:基于双因子模型的视角[A];第二十届全国心理学学术会议--心理学与国民心理健康摘要集[C];2017年
8 吕惠聪;林燕滢;陈启山;;成人依恋与恋爱满意度的关系:双因子模型[A];第十七届全国心理学学术会议论文摘要集[C];2014年
9 高华川;赵娜;;基于多层因子模型的我国核心通货膨胀估计[A];21世纪数量经济学(第16卷)[C];2015年
10 白强;白仲林;;动态因子模型的广义矩估计(GMM)及其统计性质研究[A];21世纪数量经济学(第16卷)[C];2015年
中国重要报纸全文数据库 前10条
1 记者 整理 陈健;Q因子模型可用于量化投资管理[N];上海金融报;2016年
2 大摩多因子基金基金经理 刘钊;多策略的时代[N];中国证券报;2014年
3 本报记者 张焕昀;指基“增强”效果凸显[N];中国证券报;2018年
4 本报记者 李良;博道基金杨梦:量化“增强”让指基收益超越指数[N];中国证券报;2019年
5 国泰君安期货研究所 吴泱;多因子模型在套期保值中的应用[N];期货日报;2009年
6 大摩多因子策略基金 张靖;发掘细微投资机会[N];经济日报;2013年
7 本报记者 陈晓刚;美联储密制“因子模型”挑战人脑决断[N];中国证券报;2006年
8 本报记者 姜沁诗;成长风格量化基金频成立 基本面投资成主流[N];中国证券报;2018年
9 大摩华鑫基金公司;掘金价值投资[N];中国证券报;2015年
10 本报记者 常仙鹤;量化基金的美好时光[N];中国证券报;2014年
中国博士学位论文全文数据库 前10条
1 李兴有;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];中国社会科学院研究生院;2020年
2 白强;因子模型的广义矩估计方法及其应用研究[D];天津财经大学;2016年
3 邱琳;信息推荐中评分预测问题研究[D];北京邮电大学;2018年
4 朱满洲;动态因子模型的理论和应用研究[D];华中科技大学;2013年
5 崔国伟;高维因子模型相关理论与应用研究[D];华中科技大学;2015年
6 王少新;不定最小二乘问题和近似因子模型的相关研究[D];重庆大学;2016年
7 尹昱乔;中国A股市场资产定价模型实证研究[D];东北财经大学;2016年
8 潘丽丽;代谢综合征存在及组分构成的研究[D];中国人民解放军军医进修学院;2008年
9 范会勇;大学生情绪智力的测量学研究[D];西南大学;2010年
10 奚胜田;风险预算在证券公司资本充足性管理中的应用[D];天津大学;2007年
中国硕士学位论文全文数据库 前10条
1 周硕;多因子模型对A股、港股适用性分析[D];中南财经政法大学;2019年
2 潘兴;基于动态因子模型对我国通货膨胀预测的实证研究[D];西南财经大学;2019年
3 袁昊天;政府治理能否平息雾霾舆论?[D];西南财经大学;2019年
4 张锦汇;中国股票市场中基于多因子模型的实证研究[D];首都经济贸易大学;2019年
5 刘径伊;A股市场定价因子研究[D];西南财经大学;2019年
6 邵晖益;关于中国股票市场长期与短期回报异象的因子研究[D];西南财经大学;2019年
7 邹怡祥;中国股市账面市值比效应探究[D];西南财经大学;2019年
8 冯瑶瑶;跳跃行为下中国版三因子模型的适用性及其投资方案研究[D];上海师范大学;2020年
9 杨昕齐;基于时变系数因子模型的股票收益横截面分析[D];厦门大学;2019年
10 应超;高维近因子模型的误差分布与因子个数估计[D];苏州大学;2018年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026