基于機器學習的量化投資建模研究

定　價：￥88.00

作　者：	賀毅岳著
出版社：	中國經(jīng)濟出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787513666602	出版時間：	2021-10-01	包裝：	平裝
開本：	16開	頁數(shù)：	284	字數(shù)：

內(nèi)容簡介

　　基于機器學習的量化投資建模是金融科技和量化投資研究的新熱點。以深度強化學習為標志的機器學習取得突破性進展，激起了金融投資領域開展人工智能與機器學習研究的熱潮。如何將前沿的機器學習方法深度應用于金融數(shù)據(jù)建模與量化投資研究中，進而提出新的主動型量化投資模型與方法，是一項極具吸引力和挑戰(zhàn)性的研究。本書從機器學習與金融投資交叉的視角，運用人工智能與機器學習領域的多種前沿方法，深入研究量化投資研究與實務中涉及到的重要建模問題，主要包括股票價格與市場指數(shù)的預測建模、行業(yè)板塊指數(shù)互動關系建模、量化選股與擇時策略建模以及高頻算法交易策略設計等方面。本書可作為量化投資研究者和從業(yè)者的參考書籍。

作者簡介

　　賀毅岳，計算機科學與技術博士，應用經(jīng)濟學（金融學）博士后，西北大學經(jīng)濟管理學院副教授、碩士生導師，信息管理與信息系統(tǒng)系黨支部書記；兼任陜西省金融學會金融科技專業(yè)委員會委員，中國計算機學會CCF專業(yè)會員；《計算機學報》、《統(tǒng)計與信息論壇》、《西安電子科技大學學報（自然科學版）》等核心期刊審稿人。主要從事智能投資模型與方法、金融風險智能管理、智能普惠金融、人工智能與機器學習等方面的研究。以第一作者（通訊作者）在《運籌與管理》、《統(tǒng)計與信息論壇》、《西安交通大學學報》等國內(nèi)外核心期刊和國際學術會議上公開發(fā)表學術論文23篇，其中EI檢索7篇，授權國家發(fā)明專利1項；在《電子學報》、《自動化學報》、《統(tǒng)計與決策》等權威、核心和重要期刊上合作發(fā)表學術論文21篇，其中EI檢索6篇，合作申請并授權國家發(fā)明專利4項；主持（完成）教育部人文社科青年項目、中國博士后科學基金面上項目、陜西省自然科學基金青年項目、西安市社會科學規(guī)劃基金項目、陜西省教育廳科研專項等多個項目；作為主要申請人參與國家863項目1項、973研究項目1項、國家自然科學基金4項，省部級科研項目6項；作為參與人獲得陜西省科技進步二等獎1項。

圖書目錄

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國內(nèi)外研究現(xiàn)狀綜述
121量化擇時與金融預測
122日內(nèi)交易量分布預測
123深度強化學習及其在金融領域的應用
13研究目標及內(nèi)容
14研究思路及框架
15研究特色與創(chuàng)新點
16本書的結構安排

2量化投資建模的機器學習理論基礎21經(jīng)驗模態(tài)分解及其改進方法
211EMD方法原理
212集合經(jīng)驗模態(tài)分解EEMD的原理
213CEEMDAN分解原理
214IMF重組方法
22多元經(jīng)驗模態(tài)分解與數(shù)據(jù)重構
221MEMD方法原理
222基于MEMD的多元序列數(shù)據(jù)重構
23最大信息系數(shù)MIC
24ε-不敏感的支持向量回歸模型
25關聯(lián)規(guī)則挖掘之Apriori算法
26LSTM網(wǎng)絡結構與工作原理
261循環(huán)神經(jīng)網(wǎng)絡
262長短期記憶神經(jīng)網(wǎng)絡
263LSTM與RNN的區(qū)別
27小結

3基于機器學習的股票價格與交易量預測建模31股票價格預測方法概述
311已有預測方法的局限性分析
312信號處理與機器學習結合的集成預測方法優(yōu)勢分析
32EMD分解下基于SVR的股票價格集成預測
321引言及文獻綜述
322EMD-SVRF處理流程概述
323股票指數(shù)收益率序列的EMD分解
324IMF和趨勢項的SVR預測建模
325實驗結果分析
326結論
33遺傳算法改進的EMD-SVR股票指數(shù)預測建模
331引言及文獻綜述
332IMFi-SVR模型
333EMD-GA-SVR模型
334對比實驗及結果分析
335結論
34基于EEMD-SVR的股票指數(shù)預測建模
341引言及文獻綜述
342滬深300指數(shù)預測建模
343與已有預測方法的對比分析
344結論
35基于CEEMDAN-LSTM的股票指數(shù)預測建模
351引言
352文獻綜述
353面向市場指數(shù)預測的CEEMDAN-LSTM建模思路
354CEEMDAN-LSTM模型構建過程
355與已有指數(shù)預測方法的對比驗證分析
356結論
36基于M-LSTM的股票指數(shù)日內(nèi)交易量分布預測
361交易量分布預測的意義與方法概述
362基于注意力機制的LSTM模型結構
363日內(nèi)交易量預測模型M-LSTM的構建
364對比實驗及結果分析
365結論
37小結

4基于機器學習預測的股市指數(shù)量化擇時研究41股票指數(shù)量化投資概述
42基于低頻分量EEMD-SVR建模的CSI 300量化擇時
策略
421引言及文獻綜述
422指數(shù)低頻分量的預測建模
423滬深300指數(shù)擇時策略構建及評估
424結論
43基于CEEMDAN-LSTM的指數(shù)擇時策略研究
431策略構建的邏輯
432模擬交易過程中的參數(shù)說明
433對照組策略的設計
434策略仿真交易回測結果分析
435策略的進一步優(yōu)化處理
436結論
44基于小波低頻分量的量化擇時策略
441引言及文獻綜述
442小波包變換的理論基礎
443運用小波包非線性閾值消噪
444基于小波低頻分量的量化擇時策略構建
445結論及展望
45小結

5股票行業(yè)互動關系建模及擇時策略研究51行業(yè)互動關系建模的理論分析
511行業(yè)聯(lián)動關系的理論分析
512行業(yè)輪動關系的理論分析
52MEMD-Apriori行業(yè)輪動分析及策略實現(xiàn)
521行業(yè)輪動分析及策略構建流程
522建模過程中行業(yè)數(shù)據(jù)的選取
523行業(yè)指數(shù)數(shù)據(jù)的MEMD分解及去噪
524行業(yè)指數(shù)的MIC相關性分析
525行業(yè)指數(shù)漲跌分類的Apriori預測建模
526基于MEMD-Apriori的擇時策略設計與實現(xiàn)
53申萬一級行業(yè)MEMD-SVC擇時策略的設計與實現(xiàn)
531MEMD-SVC指數(shù)漲跌分類預測建模的思路及流程
532基于MEMD-SVC的指數(shù)分類預測建模及優(yōu)化
533與已有指數(shù)分類建模方法的對比分析
534基于MEMD-SVC分類預測的擇時策略設計思路
535擇時策略的仿真回測
536與已有分類預測擇時策略的對比分析
54小結

6基于深度強化學習的在線最優(yōu)投資組合構建研究61最優(yōu)投資組合構建難點與機器學習方法優(yōu)勢分析
62深度強化學習在金融領域應用研究概述
621強化學習文獻綜述
622深度強化學習文獻綜述
63深度強化學習的理論基礎
631深度學習理論基礎
632強化學習理論基礎
633深度強化學習的理論基礎
634DDPG理論基礎
64基于DDPG的自動化投資組合模型構建
641模型交易的基本設置
642狀態(tài)值
643動作
644獎勵
645網(wǎng)絡結構
65DDPG算法實現(xiàn)及實驗結果分析
651DDPG算法運行模式
652實驗結果分析
66小結

7總結與展望71研究總結
72研究展望

參考文獻
博士后期間的科研成果
后記