基于遗传算法的多因子策略选股系统设计及实现

发布时间：2023-12-13 18:27

　　随着计算机技术和金融工程理论的发展,量化投资模式日益受到投资界重视和认同。多因子投资策略是理论成熟,经过多年投资实务检验的成熟量化投资策略。但在实际投资中,大部分多因子投资策略是通过手工与配合计算机实现选股,其中或多或少夹杂了主观思想影响因素。同时随着多因子选股策略使用的次数与人数越来越多,策略的钝化也越来越严重。在实盘投资中,投资策略可能随时面临失效,但投资行为却不能随时暂停。基金经理常常苦恼于多因子策略失效却无法快速改进或寻找策略替代品。能否将多因子选股策略完全实现全量化,自动化与程序化,从而减少人为干扰因素呢?同时能否设计出一款根据使用者要求,自动生成最新多因子策略的选股系统,从而解决策略失效问题呢?本文通过引入遗传算法进行多因子策略生成,同时通过K-means算法将多因子选股策略流程完全实现全自动化,实现一套多因子策略自动生成系统。金融投资最大的特点就是具备非超强的及时性需求市场是一个非常复杂的信息环境,具有各式各样的噪音与有效信息。金融投资需要在大量信息中甄别出有效信息,并进行投资,所以如何利用计算机替代人力进行模型优化成为金融量化投资中非常重要问题。为了解决在信息量越来越庞...

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 文献综述
    1.1 本论文研究背景
    1.2 研究目的及意义
    1.3 国外研究现状
    1.4 研究内容
    1.5 论文架构
第二章 需求与分析
    2.1 多因子策略选股系统需求
        2.1.1 概述
        2.1.2 商业价值分析
        2.1.3 系统需求分析
        2.1.4 功能描述
        2.1.5 用例图设计
    2.2 数据库设计
    2.3 本章小结
第三章 多因子选股
    3.1 多因子选股原理
    3.2 多因子选股业务流程
        3.2.1 多因子框架
    3.3 多因子选股流程与评价指标
        3.3.1 因子综合评分选股
        3.3.2 评价指标
    3.4 遗传算法
        3.4.1 遗传算法原理
        3.4.2 遗传算法运用
    3.5 本章小结
第四章 遗传算法模块验证
    4.1 基于遗传算法因子组合优化方案
        4.1.1 遗传算法优势
        4.1.2 遗传算法设置
    4.2 优化测试
        4.2.1 测试数据
        4.2.2 因子扩充测试
    4.3 优化方案改进
    4.4 本章小结
第五章 系统改进
    5.1 遗传算法模块改进方案
        5.1.1 收益率检验
        5.1.2 延续性检验
        5.1.3 K-Means聚类
        5.1.4 第一层遗传算法设置
        5.1.5 第二层遗传算法设置
    5.2 优化方案测试
        5.2.1 数据准备
        5.2.2 因子过滤
        5.2.3 遗传算法优化
        5.2.4 外推测试
    5.3 消融验证
    5.4 本章小结
第六章 系统的设计及实现
    6.1 因子计算
    6.2 数据清理
    6.3 因子测试
    6.4 因子分类
    6.5 因子优化选择
    6.6 因子权重优化
    6.7 系统验证
    6.8 结果展示
    6.9 本章小结
总结与展望
    本文的总结
    进一步的工作
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件



本文编号：3873724