基於機器學習的量化投資建模研究

《基於機器學習的量化投資建模研究》是2021年中國經濟出版社出版的圖書。

基本介紹

• 中文名：基於機器學習的量化投資建模研究
• 作者：賀毅岳
• 出版社：中國經濟出版社
• 出版時間：2021年
• 頁數：284 頁
• 開本：16 開
• 裝幀：平裝
• ISBN：9787513666602

內容簡介

基於機器學習的量化投資建模是金融科技和量化投資研究的新熱點。以深度強化學習為標誌的機器學習取得突破性進展，激起了金融投資領域開展人工智慧與機器學習研究的熱潮。如何將前沿的機器學習方法深度套用於金融數據建模與量化投資研究中，進而提出新的主動型量化投資模型與方法，是一項極具吸引力和挑戰性的研究。本書從機器學習與金融投資交叉的視角，運用人工智慧與機器學習領域的多種前沿方法，深入研究量化投資研究與實務中涉及到的重要建模問題，主要包括股票價格與市場指數的預測建模、行業板塊指數互動關係建模、量化選股與擇時策略建模以及高頻算法交易策略設計等方面。本書可作為量化投資研究者和從業者的參考書籍。

圖書目錄

1緒論11研究背景及意義

111研究背景

112研究意義

12國內外研究現狀綜述

121量化擇時與金融預測

122日內交易量分布預測

123深度強化學習及其在金融領域的套用

13研究目標及內容

14研究思路及框架

15研究特色與創新點

16本書的結構安排

2量化投資建模的機器學習理論基礎21經驗模態分解及其改進方法

211EMD方法原理

212集合經驗模態分解EEMD的原理

213CEEMDAN分解原理

214IMF重組方法

22多元經驗模態分解與數據重構

221MEMD方法原理

222基於MEMD的多元序列數據重構

23最大信息係數MIC

24ε-不敏感的支持向量回歸模型

25關聯規則挖掘之Apriori算法

26LSTM網路結構與工作原理

261循環神經網路

262長短期記憶神經網路

263LSTM與RNN的區別

27小結

3基於機器學習的股票價格與交易量預測建模31股票價格預測方法概述

311已有預測方法的局限性分析

312信號處理與機器學習結合的集成預測方法優勢分析

32EMD分解下基於SVR的股票價格集成預測

321引言及文獻綜述

322EMD-SVRF處理流程概述

323股票指數收益率序列的EMD分解

324IMF和趨勢項的SVR預測建模

325實驗結果分析

326結論

33遺傳算法改進的EMD-SVR股票指數預測建模

331引言及文獻綜述

332IMFi-SVR模型

333EMD-GA-SVR模型

334對比實驗及結果分析

335結論

34基於EEMD-SVR的股票指數預測建模

341引言及文獻綜述

342滬深300指數預測建模

343與已有預測方法的對比分析

344結論

35基於CEEMDAN-LSTM的股票指數預測建模

351引言

352文獻綜述

353面向市場指數預測的CEEMDAN-LSTM建模思路

354CEEMDAN-LSTM模型構建過程

355與已有指數預測方法的對比驗證分析

356結論

36基於M-LSTM的股票指數日內交易量分布預測

361交易量分布預測的意義與方法概述

362基於注意力機制的LSTM模型結構

363日內交易量預測模型M-LSTM的構建

364對比實驗及結果分析

365結論

37小結

4基於機器學習預測的股市指數量化擇時研究41股票指數量化投資概述

42基於低頻分量EEMD-SVR建模的CSI 300量化擇時

策略

421引言及文獻綜述

422指數低頻分量的預測建模

423滬深300指數擇時策略構建及評估

424結論

43基於CEEMDAN-LSTM的指數擇時策略研究

431策略構建的邏輯

432模擬交易過程中的參數說明

433對照組策略的設計

434策略仿真交易回測結果分析

435策略的進一步最佳化處理

436結論

44基於小波低頻分量的量化擇時策略

441引言及文獻綜述

442小波包變換的理論基礎

443運用小波包非線性閾值消噪

444基於小波低頻分量的量化擇時策略構建

445結論及展望

45小結

5股票行業互動關係建模及擇時策略研究51行業互動關係建模的理論分析

511行業聯動關係的理論分析

512行業輪動關係的理論分析

52MEMD-Apriori行業輪動分析及策略實現

521行業輪動分析及策略構建流程

522建模過程中行業數據的選取

523行業指數數據的MEMD分解及去噪

524行業指數的MIC相關性分析

525行業指數漲跌分類的Apriori預測建模

526基於MEMD-Apriori的擇時策略設計與實現

53申萬一級行業MEMD-SVC擇時策略的設計與實現

531MEMD-SVC指數漲跌分類預測建模的思路及流程

532基於MEMD-SVC的指數分類預測建模及最佳化

533與已有指數分類建模方法的對比分析

534基於MEMD-SVC分類預測的擇時策略設計思路

535擇時策略的仿真回測

536與已有分類預測擇時策略的對比分析

54小結

6基於深度強化學習的線上最優投資組合構建研究61最優投資組合構建難點與機器學習方法優勢分析

62深度強化學習在金融領域套用研究概述

621強化學習文獻綜述

622深度強化學習文獻綜述

63深度強化學習的理論基礎

631深度學習理論基礎

632強化學習理論基礎

633深度強化學習的理論基礎

634DDPG理論基礎

64基於DDPG的自動化投資組合模型構建

641模型交易的基本設定

642狀態值

643動作

644獎勵

645網路結構

65DDPG算法實現及實驗結果分析

651DDPG算法運行模式

652實驗結果分析

66小結

7總結與展望71研究總結

72研究展望

參考文獻

博士後期間的科研成果

後記

作者簡介

賀毅岳，計算機科學與技術博士，套用經濟學（金融學）博士後，西北大學經濟管理學院副教授、碩士生導師，信息管理與信息系統系黨支部書記；兼任陝西省金融學會金融科技專業委員會委員，中國計算機學會CCF專業會員；《計算機學報》、《統計與資訊理論壇》、《西安電子科技大學學報（自然科學版）》等核心期刊審稿人。主要從事智慧型投資模型與方法、金融風險智慧型管理、智慧型普惠金融、人工智慧與機器學習等方面的研究。以第一作者（通訊作者）在《運籌與管理》、《統計與資訊理論壇》、《西安交通大學學報》等國內外核心期刊和國際學術會議上公開發表學術論文23篇，其中EI檢索7篇，授權國家發明專利1項；在《電子學報》、《自動化學報》、《統計與決策》等權威、核心和重要期刊上合作發表學術論文21篇，其中EI檢索6篇，合作申請並授權國家發明專利4項；主持（完成）教育部人文社科青年項目、中國博士後科學基金面上項目、陝西省自然科學基金青年項目、西安市社會科學規劃基金項目、陝西省教育廳科研專項等多個項目；作為主要申請人參與國家863項目1項、973研究項目1項、國家自然科學基金4項，省部級科研項目6項；作為參與人獲得陝西省科技進步二等獎1項。