基于機(jī)器學(xué)習(xí)的量化投資建模研究

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(nèi)外研究現(xiàn)狀綜述
121量化擇時(shí)與金融預(yù)測
122日內(nèi)交易量分布預(yù)測
123深度強(qiáng)化學(xué)習(xí)及其在金融領(lǐng)域的應(yīng)用
13研究目標(biāo)及內(nèi)容
14研究思路及框架
15研究特色與創(chuàng)新點(diǎn)
16本書的結(jié)構(gòu)安排

2量化投資建模的機(jī)器學(xué)習(xí)理論基礎(chǔ)21經(jīng)驗(yàn)?zāi)B(tài)分解及其改進(jìn)方法
211EMD方法原理
212集合經(jīng)驗(yàn)?zāi)B(tài)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(jīng)驗(yàn)?zāi)B(tài)分解與數(shù)據(jù)重構(gòu)
221MEMD方法原理
222基于MEMD的多元序列數(shù)據(jù)重構(gòu)
23最大信息系數(shù)MIC
24ε-不敏感的支持向量回歸模型
25關(guān)聯(lián)規(guī)則挖掘之Apriori算法
26LSTM網(wǎng)絡(luò)結(jié)構(gòu)與工作原理
261循環(huán)神經(jīng)網(wǎng)絡(luò)
262長短期記憶神經(jīng)網(wǎng)絡(luò)
263LSTM與RNN的區(qū)別
27小結(jié)

3基于機(jī)器學(xué)習(xí)的股票價(jià)格與交易量預(yù)測建模31股票價(jià)格預(yù)測方法概述
311已有預(yù)測方法的局限性分析
312信號處理與機(jī)器學(xué)習(xí)結(jié)合的集成預(yù)測方法優(yōu)勢分析
32EMD分解下基于SVR的股票價(jià)格集成預(yù)測
321引言及文獻(xiàn)綜述
322EMD-SVRF處理流程概述
323股票指數(shù)收益率序列的EMD分解
324IMF和趨勢項(xiàng)的SVR預(yù)測建模
325實(shí)驗(yàn)結(jié)果分析
326結(jié)論
33遺傳算法改進(jìn)的EMD-SVR股票指數(shù)預(yù)測建模
331引言及文獻(xiàn)綜述
332IMFi-SVR模型
333EMD-GA-SVR模型
334對比實(shí)驗(yàn)及結(jié)果分析
335結(jié)論
34基于EEMD-SVR的股票指數(shù)預(yù)測建模
341引言及文獻(xiàn)綜述
342滬深300指數(shù)預(yù)測建模
343與已有預(yù)測方法的對比分析
344結(jié)論
35基于CEEMDAN-LSTM的股票指數(shù)預(yù)測建模
351引言
352文獻(xiàn)綜述
353面向市場指數(shù)預(yù)測的CEEMDAN-LSTM建模思路
354CEEMDAN-LSTM模型構(gòu)建過程
355與已有指數(shù)預(yù)測方法的對比驗(yàn)證分析
356結(jié)論
36基于M-LSTM的股票指數(shù)日內(nèi)交易量分布預(yù)測
361交易量分布預(yù)測的意義與方法概述
362基于注意力機(jī)制的LSTM模型結(jié)構(gòu)
363日內(nèi)交易量預(yù)測模型M-LSTM的構(gòu)建
364對比實(shí)驗(yàn)及結(jié)果分析
365結(jié)論
37小結(jié)

4基于機(jī)器學(xué)習(xí)預(yù)測的股市指數(shù)量化擇時(shí)研究41股票指數(shù)量化投資概述
42基于低頻分量EEMD-SVR建模的CSI 300量化擇時(shí)
策略
421引言及文獻(xiàn)綜述
422指數(shù)低頻分量的預(yù)測建模
423滬深300指數(shù)擇時(shí)策略構(gòu)建及評估
424結(jié)論
43基于CEEMDAN-LSTM的指數(shù)擇時(shí)策略研究
431策略構(gòu)建的邏輯
432模擬交易過程中的參數(shù)說明
433對照組策略的設(shè)計(jì)
434策略仿真交易回測結(jié)果分析
435策略的進(jìn)一步優(yōu)化處理
436結(jié)論
44基于小波低頻分量的量化擇時(shí)策略
441引言及文獻(xiàn)綜述
442小波包變換的理論基礎(chǔ)
443運(yùn)用小波包非線性閾值消噪
444基于小波低頻分量的量化擇時(shí)策略構(gòu)建
445結(jié)論及展望
45小結(jié)

5股票行業(yè)互動關(guān)系建模及擇時(shí)策略研究51行業(yè)互動關(guān)系建模的理論分析
511行業(yè)聯(lián)動關(guān)系的理論分析
512行業(yè)輪動關(guān)系的理論分析
52MEMD-Apriori行業(yè)輪動分析及策略實(shí)現(xiàn)
521行業(yè)輪動分析及策略構(gòu)建流程
522建模過程中行業(yè)數(shù)據(jù)的選取
523行業(yè)指數(shù)數(shù)據(jù)的MEMD分解及去噪
524行業(yè)指數(shù)的MIC相關(guān)性分析
525行業(yè)指數(shù)漲跌分類的Apriori預(yù)測建模
526基于MEMD-Apriori的擇時(shí)策略設(shè)計(jì)與實(shí)現(xiàn)
53申萬一級行業(yè)MEMD-SVC擇時(shí)策略的設(shè)計(jì)與實(shí)現(xiàn)
531MEMD-SVC指數(shù)漲跌分類預(yù)測建模的思路及流程
532基于MEMD-SVC的指數(shù)分類預(yù)測建模及優(yōu)化
533與已有指數(shù)分類建模方法的對比分析
534基于MEMD-SVC分類預(yù)測的擇時(shí)策略設(shè)計(jì)思路
535擇時(shí)策略的仿真回測
536與已有分類預(yù)測擇時(shí)策略的對比分析
54小結(jié)

6基于深度強(qiáng)化學(xué)習(xí)的在線最優(yōu)投資組合構(gòu)建研究61最優(yōu)投資組合構(gòu)建難點(diǎn)與機(jī)器學(xué)習(xí)方法優(yōu)勢分析
62深度強(qiáng)化學(xué)習(xí)在金融領(lǐng)域應(yīng)用研究概述
621強(qiáng)化學(xué)習(xí)文獻(xiàn)綜述
622深度強(qiáng)化學(xué)習(xí)文獻(xiàn)綜述
63深度強(qiáng)化學(xué)習(xí)的理論基礎(chǔ)
631深度學(xué)習(xí)理論基礎(chǔ)
632強(qiáng)化學(xué)習(xí)理論基礎(chǔ)
633深度強(qiáng)化學(xué)習(xí)的理論基礎(chǔ)
634DDPG理論基礎(chǔ)
64基于DDPG的自動化投資組合模型構(gòu)建
641模型交易的基本設(shè)置
642狀態(tài)值
643動作
644獎勵(lì)
645網(wǎng)絡(luò)結(jié)構(gòu)
65DDPG算法實(shí)現(xiàn)及實(shí)驗(yàn)結(jié)果分析
651DDPG算法運(yùn)行模式
652實(shí)驗(yàn)結(jié)果分析
66小結(jié)

7總結(jié)與展望71研究總結(jié)
72研究展望

參考文獻(xiàn)
博士后期間的科研成果
后記