基于人工神經(jīng)網(wǎng)絡(luò)的量化選股策略研究

馬靜萱 黃靖淞 張榕梅

1.人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)起源于1943年，是一種模仿生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的數(shù)學(xué)模型。通過對(duì)過去數(shù)據(jù)的實(shí)驗(yàn)和學(xué)習(xí)進(jìn)行歸納總結(jié)，推理產(chǎn)生出一個(gè)具有自動(dòng)識(shí)別功能的系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)的推理功能符合投資者的需要，在股票證券市場(chǎng)中，預(yù)測(cè)股票證券走勢(shì)，從而達(dá)到利益最大化，風(fēng)險(xiǎn)最小化的目的，因此人工神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用。國內(nèi)外有許多學(xué)者對(duì)其做了大量研究。

2.多因子模型

1993年，F(xiàn)ama和French建立的三因子模型（2），認(rèn)為一個(gè)投資組合的超額回報(bào)率可由它對(duì)三個(gè)因子的暴露來解釋，分別是市場(chǎng)資產(chǎn)組合、市值因子和賬面市值比因子，他們認(rèn)為這三個(gè)因子是對(duì)CAPM中未能反映的風(fēng)險(xiǎn)因素的補(bǔ)償。1995年，Carhart基于Fama和French的三因子模型上，加入了一年期收益動(dòng)量異常因素，構(gòu)造了四因子模型（3）。四因子模型可將基金收益表示為在市場(chǎng)因素（MKT）、規(guī)模因素（SMB）、價(jià)值因素（HML）和動(dòng)量因素（UMD）共同作用下所達(dá)到的一個(gè)均衡。本文將基于四因子模型的理論，引入多因子模型的思想，創(chuàng)新地以變動(dòng)的因子作為研究對(duì)象，比較高頻交易投資策略的評(píng)價(jià)指標(biāo)，根據(jù)模型挑選出綜合排名較高的投資策略。

3.模型構(gòu)建

3.1交易規(guī)則

1）設(shè)定交易池股票數(shù)量為15只；2）初始資金：1，000，000元；3）每個(gè)股票每次交易額度為初始資金的1/15。

3.2設(shè)置股票池

1） 第一輪先把整體數(shù)據(jù)2597只滬深A(yù)股中無法交易的刪去，以行業(yè)為標(biāo)準(zhǔn)選取該行業(yè)市值前十的股票進(jìn)入二輪股票池。2）以市盈率為基準(zhǔn)，將二輪股票池中不符合條件的股票剔除， 3）將二輪股票按照市盈率進(jìn)行排名，并結(jié)合買入規(guī)則，將符合買入規(guī)則1+2、3、4三項(xiàng)的，符合1+任意兩項(xiàng)的，符合1+任意一項(xiàng)的進(jìn)行排列。4），將沒有觸動(dòng)買入規(guī)則的但已在三輪股票池中的這些股票按以上市盈率排列法排序。將篩選出來的股票如果大于15只的話從排名16號(hào)的股票開始就放入備選交易池，若交易池賣出以致交易池不足15只按排名買入備選池中的股票填充，以此循環(huán)。

3.3 建立買賣規(guī)則

買入規(guī)則：1） 布林帶：價(jià)格向上突破中軌；2）MA1與MA5且MA1與MA10金叉；3）KDJ金叉；4）MACD金叉。按以上四至五步觸動(dòng)買入規(guī)則的股票排名的規(guī)則買入。賣出規(guī)則：1）布林帶：向下突破上軌或向下突破中軌；2）MA1與MA5或MA1與MA10或MA1與MA20或MA1與MA30死叉；3）KDJ死叉；4）MACD死叉；5）3日內(nèi)（三天后收盤價(jià)-第一天買入價(jià)的利潤(rùn)幅度）價(jià)格向上波幅沒有2%。以上僅有一項(xiàng)賣出規(guī)則被觸動(dòng)便操作賣出。

3.4 網(wǎng)絡(luò)訓(xùn)練與資產(chǎn)組合構(gòu)建

（1）人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

隱含層的確定：根據(jù)經(jīng)驗(yàn)公式，隱含層節(jié)點(diǎn)數(shù)大概選擇4-6，在假定學(xué)習(xí)效率為0.1 下，針對(duì)每個(gè)節(jié)點(diǎn)數(shù)都訓(xùn)練6次，得出網(wǎng)絡(luò)性能如下，可以看出節(jié)點(diǎn)數(shù)為5的時(shí)誤差最小，同時(shí)按照經(jīng)驗(yàn)公式選擇學(xué)習(xí)率為0.1

（2）選股與投資組合構(gòu)建

回測(cè)時(shí)間：2015年1月5日至2016年7月1日； 樣本空間：2597只滬深A(yù)股；

換倉頻率：每當(dāng)交易池不足15只時(shí)；參照物：上證指數(shù)；每交易一次，考慮0.3 %的交易成本；

在行業(yè)中性及控制誤差的基礎(chǔ)上，使得投資組合的預(yù)測(cè)收益率最大化。

3.5 策略檢驗(yàn)

首先，選取2015年1月5日至2016年7月1日的股指期貨指數(shù)的開盤價(jià)、收盤價(jià)、最高價(jià)、最低價(jià)等數(shù)據(jù)。根據(jù)3.1.3設(shè)立的買入賣出規(guī)則編寫策略，其中用到的主要技術(shù)指標(biāo)有布林帶、MA1與MA5且MA1與MA10金叉、KDJ金叉死叉以及MACD金叉死叉。其中選取2015年1月5日至2015年12月31日的數(shù)據(jù)作為建立模型的基礎(chǔ)，選用2015年1月5日至2016年7月1日的數(shù)據(jù)作為回測(cè)。其次，策略評(píng)估指標(biāo)的選取方面，本文以市場(chǎng)廣泛使用的指標(biāo)為基礎(chǔ)，在此基礎(chǔ)上對(duì)策略評(píng)估指標(biāo)進(jìn)行篩選。選用的策略評(píng)估指標(biāo)包括：基準(zhǔn)收益，Alpha Beta，夏普比率，最大回撤

根據(jù)回測(cè)的數(shù)據(jù)，利用策略評(píng)估指標(biāo)進(jìn)行比較。首先，以上證指數(shù)收益率9%作為參照物，模型優(yōu)化前的收益達(dá)到11%，經(jīng)過進(jìn)一步的調(diào)整，模型優(yōu)化后的策略收益達(dá)到16%。此數(shù)據(jù)證明，還策略所帶來的收益高于同期大盤收益，最高可以獲得7%的超額收益。同時(shí)，比較剩余的評(píng)估指標(biāo)，在模型優(yōu)化前，Alpha比率為0.36，Beta比率為0.86，夏普比率為1.16。在進(jìn)行模型優(yōu)化后，Alpha比率上升為0.4，Beta比率達(dá)到0.9，夏普比率增加至2，優(yōu)化后的模型帶來的收益比優(yōu)化前的模型有所增加。此外，模型優(yōu)化后的最大回撤從模型優(yōu)化前的0.32降至0.22，證明優(yōu)化后的模型不僅帶來更高的收益，同時(shí)降低了風(fēng)險(xiǎn)。

4.總結(jié)

本文基于人工神經(jīng)網(wǎng)絡(luò)的量化對(duì)沖策略的研究，以達(dá)到收益最大化，風(fēng)險(xiǎn)最小化的目標(biāo)。本文首先介紹了人工神經(jīng)網(wǎng)絡(luò)以及多因子模型，借鑒多因子模型的思想，并創(chuàng)新地引入變動(dòng)因子作為研究對(duì)象。在初步改進(jìn)模型的有效性后，將模型應(yīng)用于策略中，得到了滿意的組合收益率。實(shí)證結(jié)果表明本文構(gòu)建的基于人工神經(jīng)網(wǎng)絡(luò)的量化對(duì)沖策略具有一定的參考價(jià)值。

參考文獻(xiàn)：

Fama， E.F.， & French， K.R. （1992）， “The Cross-Section of Expected Stock Returns”. Journal of Finance， 47， 427-465.

Carthart， M. （1997）. On persistence of Mutual Fund Performance. The journal of Finance， 57-82.