[發明專利]一種基于LSTM網絡的A股倉位動態調整方法

在審

• 申請號: 201910090251.6
• 申請日: 2019-01-30
• 公開（公告）號: CN109903157A
• 公開（公告）日: 2019-06-18
• 發明（設計）人: 顏雪松;余鵬飛;孫淼
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06N3/04
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 孫妮

本發明提供了一種基于LSTM網絡的A股倉位動態調整方法，包括：首先獲取滬深300的歷史指數數據；然后對獲取的數據進行預處理；進而將預處理后的數據分為訓練數據集和預測數據集；再構建基于LSTM網絡的倉位動態調整模型，并利用訓練數據集對構建的模型進行訓練；最后根據預測數據集，采用訓練好的模型對滬深300的待調整工作日的收益率進行預測，并將收益率轉化為A股股票的可持有倉位。本發明的有益效果是：本發明所提出的技術方案設計了一個基于LSTM的股票倉位動態調整模型，可對每個工作日的A股中個股的持有倉位進行動態調整，為股票投資者提供一個比較可靠的參考，相對于別的方法，可取得更高的精度，擁有更好的預測能力。

技術領域

本發明涉及智能金融領域，尤其涉及一種基于LSTM網絡的A股倉位動態調整方法。

背景技術

面對兇險叵測的證券市場，無論是機構投資者還是散戶，對于如何根據基本面等因素的變化來動態調整股票倉位的問題經常感到困惑。股票倉位的調整和控制存在很大的主觀性，往往被認為是藝術。

解決目前調整倉位所面臨困境的一種方法是從理論上進行創新，開發新的、更有效的調整倉位技術。對于考慮現金、股票和債券的大類資產配置，如果僅考慮現金和股票，那么大類資產配置問題就轉化成股票倉位的確定問題。因此，倉位動態調整可借鑒大類資產配置的方法來研究。目前，關于大類資產配置的金融理論取得了長足的進步，出現了現代投資組合理論、投資時鐘模型以及組合保險策略等理論和方法。然而，現有的理論方法存在明顯的不足，限制了其在投資中的應用。

經過幾十年的發展，Markowitz(1952)提出的均值方差模型(或投資組合理論)已經成為資產配置的重要方法。但是，由于均值方差模型存在需要對資產預期收益進行估計、一些不現實的模型假設以及配置結果對參數的敏感性等問題，導致該模型通常被放入“象牙塔”，難以在實務中發揮其應有作用。對于具有“新興加轉軌”基本特征的我國市場來說，情況更是如此。盡管很多研究對均值方差模型進行了拓展(如，Black和Litterman(1992)，Cuoco和He(2008))，但這些方法仍不能有效解決其主要缺陷，還往往提高了應用的復雜性。

在實踐中，比較有影響力的方法是美林證券的投資時鐘模型(Merrill Lynch(2004))。該模型把經濟周期與資產和行業輪動聯系起來，通過對影響資產收益表現的關鍵因素進行狀態劃分，來指導投資者確定不同階段的投資策略。然而，該方法在應用時需要對經濟周期進行正確地劃分，并且對資產配置的擇時和具體比例的指導作用還比較缺乏。

在動態資產配置方面，比較有影響的是組合保險策略的相關研究。代表性的方法有Perold和Sharpe(1988)提出的固定比例投資組合保險策略以及Estep和Kritzman(1988)給出的時間不變性組合保險策略等。這些策略的成功依賴于對市場未來走勢的正確判斷。此外，這些策略割裂了基本面與資產配置的聯系。由于沒有直接利用宏觀經濟等基本面信息，這些策略本身不具有利用信息上的優勢。

神經網絡方法作為機器學習領域中的一個重要部分，是一種由數據驅動的方法，具有自適應機制的優點，同時具有較強的非線性函數逼近能力，能很好的適用在非線性時變性的金融數據預測問題上。深度學習作為目前機器學習的一個研究熱點，其前身是人工神經網絡。但與傳統的人工神經網絡相比又有兩點主要的差異：(1)模型由多個隱層或者說是多個階段的非線性信息處理過程所構成。(2)經由監督方法或者是非監督的特征表示方法來構建連續的、更深的且更為抽象的隱層。