导 师: 孙有发
授予学位: 硕士
作 者: ;
机构地区: 广东工业大学
摘 要: 量化投资,作为近三十年新兴的技术方法,逐渐成为当今全球主流的投资方式。同时,伴随着互联网技术与计算机科学的不断发展,金融市场信息量的增长已远远超越人脑可处理的范围,相比于传统的投资方法,量化投资的优势正逐渐显现。该领域研究创新亟需不同学科进行交叉融合,越来越多的研究者已经开始尝试利用计算机智能等相关技术结合金融理论研究来构建量化策略。目前,随着资产价格跳侦测技术的不断成熟,市场微观结构中的典型现象不断被发掘和印证,如何利用这些典型现象构造投资策略大有可为,在这样的大背景下,本文基于跳侦测方法与技术,并融合深度学习,针对国内股指期货市场,构建高频量化投资策略;回测结果表明:该策略无论从收益情况还是风控业绩来看均表现出色,由此对理论研究者和实务操作者都有着十分重要的意义。 首先,系统地梳理、总结现有跳跃侦测相关理论和方法,其中重点介绍 Lee 和Mykland提出的无参数跳跃侦测方法,并分析选取该方法的原因。在此基础上,说明现有跳侦测方法存在的问题并提出融合深度技术的LM跳侦测方法创新思路。 然后,应用LM跳侦测方法,对沪深300股指期货1分钟价格过程中的价格跳跃进行监测,挖掘出标的价格通常以跳跃簇的方式来反映现实事件的典型事实;再经过统计手段,验证价格跳跃作为可盈利交易信号的可行性。在对初步交易策略回测结果进行分析后发现:跳跃簇中各跳跃之间存在性质差异,导致基于无差别化的初步跳侦测交易策略的收益并不十分理想。 接着,针对价格跳跃有效性分类问题,本文通过系统分析影响价格跳跃的各种变量及时序数据特征后,在前面跳侦测方法的基础上,进一步融合智能深度学习方法中的长短时记忆网络�