基于LSTM算法的量化选股及效果评价研究

作     者：杨子娴 

作者单位：深圳大学 

学位级别：硕士

导师姓名：马丽梅

授予年度：2022年

学科分类：12[管理学] 02[经济学] 0202[经济学-应用经济学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020204[经济学-金融学（含∶保险学）] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：长短期记忆网络 深度学习 量化选股 

摘      要：近年来,人工智能技术取得了显著的发展,在金融量化投资领域中,也逐渐出现金融量化投资与深度学习算法等人工智能技术相结合的应用研究。量化投资通常指投资者借助计算机技术从数据中挖掘有效信息,并形成自动化地交易模式,由于不受投资者主观情绪影响,投资逻辑可以保持一定得稳定性与一致性。由于我国金融市场的快速发展、社会政治和经济等环境因素的复杂变化、投资者之间的不断博弈等问题,金融量化投资面临着更多、更大的机遇与挑战。传统的量化多因子选股模型是对影响证券超额收益的多个因子应用多元线形回归法或综合评分法进行选股,但由于不同因子间通常存在着复杂非线性相关关系,增加了多因子选股模型的建模难度。因此本文尝试使用深度学习方法,解决多因子选股模型中高维特征非线性关系难拟合的问题。本文构建出长短期记忆神经网络(LSTM)选股模型,从股票池中筛选得到存在投资价值的股票,并回测验证选股模型有效性。本文实证选取2011年1月4日至2020年12月4日上证50成分股日行情数据与因子数据作为实证研究的数据来源,首先对所选取因子使用Spearman相关性检验、KMO和Bartlett s检验进行因子间相关性的探索性分析;其次建立了LSTM-GRU-GRU三层深度神经网络架构对股票月对数收益率进行预测训练;另外实证对比了基于PCA的LSTM模型和添加Lasso惩罚项的LSTM模型在性能上的差别;最后在量化回测阶段,根据训练完成的LSTM-GRU-GRU模型与Lasso-LSTM模型预测结果创建自动化选股、建仓与平仓等模拟交易操作,回测评估量化选股策略效果。实证表明,基于深度学习中长短期记忆神经网络的主模型进行建模具有一定得稳健性,并且可以构建出有效的量化投资策略。使用LSTM-GRU-GRU模型和Lasso-LSTM模型进行量化选股研究,均取得了良好的回测收益。同时研究发现,相较于单纯的构建LSTM-GRU-GRU三层深度神经网络模型,加入Lasso正则化项的LSTM模型可以实现更高的预测精度,能更有效地提取多因子数据的特征信息,形成更优的深度学习选股模型。