基于市场动态与资产特征的在线投资组合选择学习方法研究

作     者：赖飞同 

作者单位：广州大学 

学位级别：硕士

导师姓名：戴宏亮

授予年度：2024年

学科分类：12[管理学] 0202[经济学-应用经济学] 02[经济学] 020208[经济学-统计学] 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）] 07[理学] 0714[理学-统计学（可授理学、经济学学位）] 

主      题：在线投资组合选择 动量效应与反转效应 在线随机梯度下降 经验模态分解 长短期记忆网络 

摘      要：投资组合选择指投资者根据投资目标与风险偏好,在不同资产中分配资金,以达到投资收益与风险平衡的目的。近年来,研究人员将机器学习技术应用于在线投资组合选择中,旨在通过大数据技术提升投资组合管理的效率与有效性。然而,传统的在线投资组合选择算法通常采用固定的标准和方法做出投资决策,却忽略了市场整体动态变化的影响。此外,这些算法通常依赖于带有主观意向的指标或策略的规则性应用,在有效捕捉历史价格数据的非线性变动上存在一定挑战。因此,本文以市场整体的动态变化与非线性金融波动的捕捉为研究切入点,提出了三种新型的在线投资组合选择学习方法,旨在使求解所得的投资组合同时具备良好的盈利与风险规避能力。本文主要讨论内容包括: 第一,在峰值价格追踪算法的基础上,本文提出了一种新型的投资潜力追踪学习系统(A Novel Investment Potential Tracking-Based Learning System,IPT),旨在追踪更多的资产信息与市场整体的动态变化。首先,IPT系统提出了一个资产信息模型,在峰值价格追踪算法的基础上追踪了更多的资产历史信息,并将市场的整体波动纳入考量。其次,结合动量效应与反转效应,IPT系统设计了一种综合考虑近期趋势、反转潜力与历史风险的三态策略选择算法,以计算资产的投资潜力得分。第三,IPT系统在交易开始前对初始投资组合向量进行了预训练,以整合更多的历史交易信息。最后,IPT系统通过梯度投影方法获取每期的资产配置比例。通过实证分析和统计检验,本文验证了IPT系统在资产配置中平衡收益与风险的能力。 第二,在IPT系统的基础上,本文进一步提出了一种基于序信息的在线自适应资产跟踪算法(Online Adaptive Asset Tracking Algorithm with Ordinal Information,OAAT),为算法中的参数选择提供了更好的解决方案。首先,OAAT算法提出了一个基于市场动态参数的自适应资产信息模型,旨在实时捕捉市场的动态变化。其次,OAAT算法通过在线随机梯度下降优化算法中的参数,从而自适应地调整算法对动量效应与反转效应的倾向,以及投资组合向量更新的步长。第三,OAAT算法的初始参数基于训练集序信息的最小和原则进行选择,以有效地提升算法性能与参数的优化效率。最后,OAAT算法使用梯度投影技术计算每期的资产配置比例。经过实证分析和统计检验,结果一致表明,OAAT算法能够有效地平衡投资组合的回报与风险。 第三,为了降低峰值价格追踪算法中人为主观意向的影响,本文提出了一种基于深度序列特征与反转信息的资产价格追踪算法(A Novel Predictive Price Tracking Algorithm using Deep Sequence Features and Reversal Information,DSF-RI-PPT)。首先,DSF-RI-PPT算法分别采用自适应噪声全集成经验模态分解、主成分分析算法和长短期记忆网络对资产的相对价格进行序列分解、非相关的金融序列特征提取与相对价格预测。其次,DSF-RI-PPT算法通过引入反转指标—变动率,为投资组合求解补充反转信息。最后,DSF-RI-PPT算法使用梯度投影技术计算每期的投资组合向量。实证分析和统计检验的结果表明,DSF-RI-PPT算法的回测结果表现优异,在风险管理和实时交易表现等方面展示出优越的效果。 本文探讨了机器学习算法在捕捉市场动态变化与资产波动规律上的创新,并提出了三种新型的在线投资组合选择学习方法,通过科学合理的实验设计和统计验证,获得了具有竞争力的实验结果,并验证了本文研究的有效性,从而进一步推动了投资组合领域的研究。