●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 研究現狀
1.2.1 國內研究現狀
1.2.2 國外研究現狀
1.3 主要貢獻
1.3.1 在運用機器學習算法方面的主要貢獻
1.3.2 在運用深度學習算法方面的主要貢獻
2 理論基礎
2.1 量化擇時
2.1.1 擇時策略
2.1.2 策略類型
2.1.3 市場有效性理論
2.1.4 技術指標
2.2 支持向量機
2.2.1 線性支持向量機
2.2.2 非線性支持向量機
2.3 深度學習和神經網絡
2.3.1 卷積神經網絡
2.3.2 循環神經網絡
2.3.3 激活函數
3 基於SVM的股票擇時研究
3.1 模型構建原則
3.1.1 數據獲取
3.1.2 數據拆分
3.1.3 數據預處理
3.1.4 特征指標與預測變量的選擇
3.1.5 參數尋優
3.1.6 訓練擇時模型
3.1.7 分析擇時效果
3.1.8 測試模型
3.2 模型構建
3.2.1 設定擇時條件
3.2.2 特征指標
3.3 改進算法
3.3.1 螢火蟲算法
3.3.2 改進螢火蟲算法
3.3.3 參數尋優
3.4 個股實證分析
3.4.1 MFA算法有效性驗證
3.4.2 個股實證指標
3.4.3 平安銀行個股實證
3.4.4 中信證券個股實證
3.5 指數實證分析結果
3.5.1 中證500指數
3.5.2 創業板指數
3.5.3 滬深300指數
4 基於深度學習的股票擇時研究
4.1 指標獲取
4.1.1 指標介紹
4.1.2 指標可視化
4.2 數據預處理
4.2.1 數據正則化
4.2.2 維度分析
4.3 混合CNN-RNN模型的構建
4.3.1 模型構建思路
4.3.2 模型構建流程
4.3.3 模型結構
4.3.4 模型評估
4.4 基於UCI數據集的實證研究
4.4.1 實驗數據
4.4.2 參數設置
4.4.3 實驗結果
4.5 基於股票市場指標數據的實證研究
4.5.1 實驗數據
4.5.2 參數設置
4.5.3 實驗結果
5 結論與展望
5.1 結論
5.2 展望
參考文獻
附錄 混合CNN-RNN模型代碼
隨著計算機技術在運算能力、數據存儲等方面的快速發展,傳統股票投資方法的弊端被不斷放大,新興的量化投資方法受到人們的廣泛關注,依賴計算機技術的機器學習算法越來越多的應用在股票研究領域之中。支持向量機、K緊鄰、遺傳算法等多種機器學習算法都被成功應用於量化投資領域,本書改進了FA算法的動態搜索能力,將MFA算法應用於變量的選取及參數尋優,繫統地構建了基於MFA-SVM的量化擇時模型;針對傳統神經網絡層數不足等局限性,提出一種適用於股票擇時問題的混合CNN-RNN模型,由一維CNN模塊(卷積層和池化層)、RNN模塊(雙層LSTM和雙層GRU)、ReLU激活函數層組成,並進行了實證研究,為相關學者後續研究提供了新思路和新方法。本書可供信息管理與金融類專業高年級本科生與研究生使用,也可供從事機器學習技術與應用研究的科研人員、金融市場數據分析人員以及機器學習軟件開發人員參考。