基于机器学习的量化投资建模研究

　　基于机器学习的量化投资建模是金融科技和量化投资研究的新热点。以深度强化学习为标志的机器学习取得突破性进展，激起了金融投资领域开展人工智能与机器学习研究的热潮。如何将前沿的机器学习方法深度应用于金融数据建模与量化投资研究中，进而提出新的主动型量化投资模型与方法，是一项极具吸引力和挑战性的研究。本书从机器学习与金融投资交叉的视角，运用人工智能与机器学习领域的多种前沿方法，深入研究量化投资研究与实务中涉及到的重要建模问题，主要包括股票价格与市场指数的预测建模、行业板块指数互动关系建模、量化选股与择时策略建模以及高频算法交易策略设计等方面。本书可作为量化投资研究者和从业者的参考书籍。

　　贺毅岳，计算机科学与技术博士，应用经济学（金融学）博士后，西北大学经济管理学院副教授、硕士生导师，信息管理与信息系统系党支部书记；兼任陕西省金融学会金融科技专业委员会委员，中国计算机学会CCF专业会员；《计算机学报》、《统计与信息论坛》、《西安电子科技大学学报（自然科学版）》等核心期刊审稿人。主要从事智能投资模型与方法、金融风险智能管理、智能普惠金融、人工智能与机器学习等方面的研究。以第一作者（通讯作者）在《运筹与管理》、《统计与信息论坛》、《西安交通大学学报》等国内外核心期刊和国际学术会议上公开发表学术论文23篇，其中EI检索7篇，授权国家发明专利1项；在《电子学报》、《自动化学报》、《统计与决策》等权威、核心和重要期刊上合作发表学术论文21篇，其中EI检索6篇，合作申请并授权国家发明专利4项；主持（完成）教育部人文社科青年项目、中国博士后科学基金面上项目、陕西省自然科学基金青年项目、西安市社会科学规划基金项目、陕西省教育厅科研专项等多个项目；作为主要申请人参与国家863项目1项、973研究项目1项、国家自然科学基金4项，省部级科研项目6项；作为参与人获得陕西省科技进步二等奖1项。

1绪论11研究背景及意义
111研究背景
112研究意义
12国内外研究现状综述
121量化择时与金融预测
122日内交易量分布预测
123深度强化学习及其在金融领域的应用
13研究目标及内容
14研究思路及框架
15研究特色与创新点
16本书的结构安排

2量化投资建模的机器学习理论基础21经验模态分解及其改进方法
211EMD方法原理
212集合经验模态分解EEMD的原理
213CEEMDAN分解原理
214IMF重组方法
22多元经验模态分解与数据重构
221MEMD方法原理
222基于MEMD的多元序列数据重构
23最大信息系数MIC
24ε-不敏感的支持向量回归模型
25关联规则挖掘之Apriori算法
26LSTM网络结构与工作原理
261循环神经网络
262长短期记忆神经网络
263LSTM与RNN的区别
27小结

3基于机器学习的股票价格与交易量预测建模31股票价格预测方法概述
311已有预测方法的局限性分析
312信号处理与机器学习结合的集成预测方法优势分析
32EMD分解下基于SVR的股票价格集成预测
321引言及文献综述
322EMD-SVRF处理流程概述
323股票指数收益率序列的EMD分解
324IMF和趋势项的SVR预测建模
325实验结果分析
326结论
33遗传算法改进的EMD-SVR股票指数预测建模
331引言及文献综述
332IMFi-SVR模型
333EMD-GA-SVR模型
334对比实验及结果分析
335结论
34基于EEMD-SVR的股票指数预测建模
341引言及文献综述
342沪深300指数预测建模
343与已有预测方法的对比分析
344结论
35基于CEEMDAN-LSTM的股票指数预测建模
351引言
352文献综述
353面向市场指数预测的CEEMDAN-LSTM建模思路
354CEEMDAN-LSTM模型构建过程
355与已有指数预测方法的对比验证分析
356结论
36基于M-LSTM的股票指数日内交易量分布预测
361交易量分布预测的意义与方法概述
362基于注意力机制的LSTM模型结构
363日内交易量预测模型M-LSTM的构建
364对比实验及结果分析
365结论
37小结

4基于机器学习预测的股市指数量化择时研究41股票指数量化投资概述
42基于低频分量EEMD-SVR建模的CSI 300量化择时
策略
421引言及文献综述
422指数低频分量的预测建模
423沪深300指数择时策略构建及评估
424结论
43基于CEEMDAN-LSTM的指数择时策略研究
431策略构建的逻辑
432模拟交易过程中的参数说明
433对照组策略的设计
434策略仿真交易回测结果分析
435策略的进一步优化处理
436结论
44基于小波低频分量的量化择时策略
441引言及文献综述
442小波包变换的理论基础
443运用小波包非线性阈值消噪
444基于小波低频分量的量化择时策略构建
445结论及展望
45小结

5股票行业互动关系建模及择时策略研究51行业互动关系建模的理论分析
511行业联动关系的理论分析
512行业轮动关系的理论分析
52MEMD-Apriori行业轮动分析及策略实现
521行业轮动分析及策略构建流程
522建模过程中行业数据的选取
523行业指数数据的MEMD分解及去噪
524行业指数的MIC相关性分析
525行业指数涨跌分类的Apriori预测建模
526基于MEMD-Apriori的择时策略设计与实现
53申万一级行业MEMD-SVC择时策略的设计与实现
531MEMD-SVC指数涨跌分类预测建模的思路及流程
532基于MEMD-SVC的指数分类预测建模及优化
533与已有指数分类建模方法的对比分析
534基于MEMD-SVC分类预测的择时策略设计思路
535择时策略的仿真回测
536与已有分类预测择时策略的对比分析
54小结

6基于深度强化学习的在线最优投资组合构建研究61最优投资组合构建难点与机器学习方法优势分析
62深度强化学习在金融领域应用研究概述
621强化学习文献综述
622深度强化学习文献综述
63深度强化学习的理论基础
631深度学习理论基础
632强化学习理论基础
633深度强化学习的理论基础
634DDPG理论基础
64基于DDPG的自动化投资组合模型构建
641模型交易的基本设置
642状态值
643动作
644奖励
645网络结构
65DDPG算法实现及实验结果分析
651DDPG算法运行模式
652实验结果分析
66小结

7总结与展望71研究总结
72研究展望

参考文献
博士后期间的科研成果
后记