摘要：构建高精度股市指数预测模型进而设计高效的择时策略是量化投资领域的研究热点。文章在股市指数建模过程中引入自适应噪声完备集合经验模态分解(CEEMDAN),并结合长短记忆网络(LSTM)对复杂序列中长期依赖关系高效的建模能力,提出一种指数预测建模方法C-LSTM。首先,运用CEEMDAN对指数进行量分预解测与值重获构得,指获数得的其整高体、低预频测分值量,与及现趋有势主项流;然预后测,方利法用L的ST对M比分实别验对表各明分C-量L进ST行M预具测有建更模低,的进预而测加误和差集和成滞各分后性;最后,构建基于C-LSTM预测的指数择时策略,并在沪深300指数上将其与均线择时、SVR择时进行对比实验,结果表明该策略凭借对指数的高精度预测大幅提升了择时信号的准确度,整体表现显著超越对照策略。

摘要：设计了一个新型的基于技术指标规则的启发式量化择时系统(TIR-HA),通过模拟退火算法从大量技术指标规则中选取优化的规则组合,并利用一个改进的多数投票方法将所选规则的信号综合,可以在深入挖掘大量指标规则择时能力的同时综合考虑指标的超前性、滞后性以及在不同时间段的预测能力。本文将该系统应用于中国股票市场沪深300指数成分股116只股票的日交易数据,实证结果显示算法的夏普比率、索提诺比率、择时准确率和单次交易平均年化收益率均显著高于多数投票组合规则择时策略和基于机器学习预测的择时策略。

摘要：股指期货市场长期以来一直是大量投资者们的关注重点。量化投资模型也是投资机构以及个人投资者所必不可缺的投资工具。相比起以往的技术分析以及计量经济学分析等方法,神经网络能够更好地发掘市场中大量的复杂数据特征,在拟合股指期货价格上展现出独特的优势,基于神经网络的量化投资策略能极大地帮助投资者们从市场中获利。本文着眼于期货市场中的金融期货,针对沪深300股指期货,运用目前最前沿的门循环神经网络GRU,并基于沪深300股指期货的5分钟高频数据,对未来股指期货价格进行了预测,得到了不错的效果。更重要的是,本文还将对未来价格的预测,运用到我们设计的双重信号投资交易策略当中,最终使得交易模型在收益率和风险控制上表现都比较突出,达到了50.74%的年化收益率以及1.8的夏普比率。实验证明:在GRU神经网络基础上运用双重趋势信号交易策略,最终能使交易模型有较好的表现,具有实际运用价值。

摘要：以量化投资为核心的量化基金,已成为国外成熟市场资产管理最重要的投资工具,但在中国推广进程缓慢,研究适应中国市场的量化模型和量化投资策略,是中国机构投资者关注的焦点之一。本文以上证180指数成分股为研究对象,建立基于回归法的多因子模型进行量化选股,并设计相应的量化择时策略控制投资风险。实证分析结果表明,基于多因子量化选股模型构建的证券组合,能够稳定地跑赢市场基准收益率;试图通过股票多年的累计超额收益率或年化复合平均收益率,筛选出影响股票收益率的固定因子,是既不科学又不合理的,应根据不同的股票行情分别建立量化选股模型进行研究。量化选股与量化择时策略密不可分,投资者为了控制投资风险,获得相对稳定的正向收益,应当实施量化择时策略。当股市波动幅度较大且相对较为频繁时,量化择时策略收益效用较大,能够帮助投资者获得稳定的正向收益。