机器学习与股票择时

随着计算机技术在运算能力、数据存储等方面的快速发展，传统股票投资方法的弊端被不断放大，新兴的量化投资方法受到人们的广泛关注，依赖计算机技术的机器学习算法越来越多的应用在股票研究领域之中。支持向量机、K紧邻、遗传算法等多种机器学习算法都被成功应用于量化投资领域，本书改进了FA算法的动态搜索能力，将MFA算法应用于变量的选取及参数寻优，系统地构建了基于MFA-SVM的量化择时模型；针对传统神经网络层数不足等局限性，提出一种适用于股票择时问题的混合CNN-RNN模型，由一维CNN模块（卷积层和池化层）、RNN模块（双层LSTM和双层GRU）、ReLU激活函数层组成，并进行了实证研究，为相关学者后续研究提供了新思路和新方法。本书可供信息管理与金融类专业高年级本科生与研究生使用，也可供从事机器学习技术与应用研究的科研人员、金融市场数据分析人员以及机器学习软件开发人员参考。

2008年毕业于北京航空航天大学系统工程专业，获工学博士学位。现为首都经济贸易大学管理工程学院院长助理。研究领域为量化金融、机器学习、风险管理等；主持或参与项目16项；发表SCI、EI等高水平学术论文30余篇。

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 研究现状
1.2.1 国内研究现状
1.2.2 国外研究现状
1.3 主要贡献
1.3.1 在运用机器学习算法方面的主要贡献
1.3.2 在运用深度学习算法方面的主要贡献
2 理论基础
2.1 量化择时
2.1.1 择时策略
2.1.2 策略类型
2.1.3 市场有效性理论
2.1.4 技术指标
2.2 支持向量机
2.2.1 线性支持向量机
2.2.2 非线性支持向量机
2.3 深度学习和神经网络
2.3.1 卷积神经网络
2.3.2 循环神经网络
2.3.3 激活函数
3 基于SVM的股票择时研究
3.1 模型构建原则
3.1.1 数据获取
3.1.2 数据拆分
3.1.3 数据预处理
3.1.4 特征指标与预测变量的选择
3.1.5 参数寻优
3.1.6 训练择时模型
3.1.7 分析择时效果
3.1.8 测试模型
3.2 模型构建
3.2.1 设定择时条件
3.2.2 特征指标
3.3 改进算法
3.3.1 萤火虫算法
3.3.2 改进萤火虫算法
3.3.3 参数寻优
3.4 个股实证分析
3.4.1 MFA算法有效性验证
3.4.2 个股实证指标
3.4.3 平安银行个股实证
3.4.4 中信证券个股实证
3.5 指数实证分析结果
3.5.1 中证500指数
3.5.2 创业板指数
3.5.3 沪深300指数
4 基于深度学习的股票择时研究
4.1 指标获取
4.1.1 指标介绍
4.1.2 指标可视化
4.2 数据预处理
4.2.1 数据正则化
4.2.2 维度分析
4.3 混合CNN-RNN模型的构建
4.3.1 模型构建思路
4.3.2 模型构建流程
4.3.3 模型结构
4.3.4 模型评估
4.4 基于UCI数据集的实证研究
4.4.1 实验数据
4.4.2 参数设置
4.4.3 实验结果
4.5 基于股票市场指标数据的实证研究
4.5.1 实验数据
4.5.2 参数设置
4.5.3 实验结果
5 结论与展望
5.1 结论
5.2 展望
参考文献
附录 混合CNN-RNN模型代码