一种基于LSTM网络的A股仓位动态调整方法技术

本发明专利技术提供了一种基于LSTM网络的A股仓位动态调整方法，包括：首先获取沪深300的历史指数数据；然后对获取的数据进行预处理；进而将预处理后的数据分为训练数据集和预测数据集；再构建基于LSTM网络的仓位动态调整模型，并利用训练数据集对构建的模型进行训练；最后根据预测数据集，采用训练好的模型对沪深300的待调整工作日的收益率进行预测，并将收益率转化为A股股票的可持有仓位。本发明专利技术的有益效果是：本发明专利技术所提出的技术方案设计了一个基于LSTM的股票仓位动态调整模型，可对每个工作日的A股中个股的持有仓位进行动态调整，为股票投资者提供一个比较可靠的参考，相对于别的方法，可取得更高的精度，拥有更好的预测能力。

【技术实现步骤摘要】
一种基于LSTM网络的A股仓位动态调整方法
本专利技术涉及智能金融领域，尤其涉及一种基于LSTM网络的A股仓位动态调整方法。
技术介绍
面对凶险叵测的证券市场，无论是机构投资者还是散户，对于如何根据基本面等因素的变化来动态调整股票仓位的问题经常感到困惑。股票仓位的调整和控制存在很大的主观性，往往被认为是艺术。解决目前调整仓位所面临困境的一种方法是从理论上进行创新，开发新的、更有效的调整仓位技术。对于考虑现金、股票和债券的大类资产配置，如果仅考虑现金和股票，那么大类资产配置问题就转化成股票仓位的确定问题。因此，仓位动态调整可借鉴大类资产配置的方法来研究。目前，关于大类资产配置的金融理论取得了长足的进步，出现了现代投资组合理论、投资时钟模型以及组合保险策略等理论和方法。然而，现有的理论方法存在明显的不足，限制了其在投资中的应用。经过几十年的发展，Markowitz(1952)提出的均值方差模型(或投资组合理论)已经成为资产配置的重要方法。但是，由于均值方差模型存在需要对资产预期收益进行估计、一些不现实的模型假设以及配置结果对参数的敏感性等问题，导致该模型通常被放入“象牙塔”，难以在实务中发挥其应有作用。对于具有“新兴加转轨”基本特征的我国市场来说，情况更是如此。尽管很多研究对均值方差模型进行了拓展(如，Black和Litterman(1992)，Cuoco和He(2008))，但这些方法仍不能有效解决其主要缺陷，还往往提高了应用的复杂性。在实践中，比较有影响力的方法是美林证券的投资时钟模型(MerrillLynch(2004))。该模型把经济周期与资产和行业轮动联系起来，通过对影响资产收益表现的关键因素进行状态划分，来指导投资者确定不同阶段的投资策略。然而，该方法在应用时需要对经济周期进行正确地划分，并且对资产配置的择时和具体比例的指导作用还比较缺乏。在动态资产配置方面，比较有影响的是组合保险策略的相关研究。代表性的方法有Perold和Sharpe(1988)提出的固定比例投资组合保险策略以及Estep和Kritzman(1988)给出的时间不变性组合保险策略等。这些策略的成功依赖于对市场未来走势的正确判断。此外，这些策略割裂了基本面与资产配置的联系。由于没有直接利用宏观经济等基本面信息，这些策略本身不具有利用信息上的优势。神经网络方法作为机器学习领域中的一个重要部分，是一种由数据驱动的方法，具有自适应机制的优点，同时具有较强的非线性函数逼近能力，能很好的适用在非线性时变性的金融数据预测问题上。深度学习作为目前机器学习的一个研究热点，其前身是人工神经网络。但与传统的人工神经网络相比又有两点主要的差异：(1)模型由多个隐层或者说是多个阶段的非线性信息处理过程所构成。(2)经由监督方法或者是非监督的特征表示方法来构建连续的、更深的且更为抽象的隐层。循环神经网络(RNN)作为深度学习模型之一，它是通过隐层的自连接，实现对时间的显性建模，同时对于隐层节点进行改进实现长时间信息的记录，在自然语言处理和音频分析问题上都取得的优异的效果。传统RNN由于其隐层节点之间是有链接的，通过这种具有递归的反馈性质的链接使网络模型具有记忆能力，对信息在时间尺度上进行记建模，而信息传递的时间长度便可以视作模型的深度。但早期的循环神经网络无法对时间跨度长的信息进行建模，在构建长时间尺度模型结构时会出现梯度消失的情况。深度循环神经网络(DRNN)则是通过对节点进行改良优化，使模型能有效的在时间尺度上进行建模，避免梯度消失的情况。其中使用长短时记忆节点(LSTM)的RNN模型在应对使用序列数据的多种问题上具有有效性和可扩展性。其通用且有效于捕获长时长的时间依从信息。当前在手写识别生产，自然语言简明和翻译，音频数据分析上都取得极高的研究成果。LSTM节点由称为动态“门”结构所组成，包括：输入门、遗忘门、输出门结构，其中每一个门都带有激活函数的前馈全连接神经网络层。在LSTM神经元模型中，输入门用于决定有多少信息可以被加入神经节点中，输出门决定模型处理后的信息将有多少可以作为输出，可见，而遗忘门将用于决定上一时刻的输出将有多少会保留用于下一时刻的计算。通过其独特的节点结构，在序列数据建模上，LSTM能比早期的循环神经网络捕获到中长期的数据，而不会发生时间尺度上的梯度消失问题。
技术实现思路
为了解决上述问题，本专利技术提供了一种基于LSTM网络的A股仓位动态调整方法，主要包括以下步骤：S101：获取沪深300的历史指数数据；S102：对所述历史指数数据进行预处理，得到预处理后的历史指数数据；并将所述预处理后的历史指数数据划分为训练数据集和预测数据集；所述预处理依次包括：标签化处理、极值处理和标准化处理；所述预测数据集为待调整工作日的前n个工作日对应的预处理后的历史指数数据；其中，n为时间步长，根据实际需要设定；S103：构建基于LSTM网络的仓位动态调整模型，并根据所述训练数据集，采用监督学习的方法对所述仓位动态调整模型进行训练，得到训练后的仓位动态调整模型；S104：根据所述预测数据集，采用训练后的仓位动态调整模型，对待调整工作日的沪深300指数的收益率进行预测，得到待调整工作日的沪深300指数的收益率；所述收益率为所述待调整工作日的后T个工作日的整体收益率；其中，T为大于或者等于2的正整数；S105：根据所述收益率，计算获得A股股票在待调整工作日的可持有仓位；所述收益率与所述可持有仓位为正比例关系。进一步地，步骤S101中，获取沪深300的历史指数数据的方法包括：从财经网站上获取和从专家机构获取。进一步地，步骤S102中，对所述历史指数数据进行预处理，得到预处理后的历史指数数据的步骤包括：S201：对所述历史指数数据进行标签标注，得到具有收益率标签的第一历史指数数据；其中，对所述历史指数数据进行标签标注的方法为：分别计算各个工作日的后五个工作日收益率，并将各工作日的后五个工作日收益率作为收益率标签对各工作日进行标注；所述收益率计算公式如下：上式中，wt为第t个工作日的收益率，e(t+T)为第t+T个工作日的收盘价，s(t+1)为第t+1个工作日的开盘价；S202：对所述第一历史指数数据进行极值处理，得到处理后的第二历史指数数据；其中，对所述第一历史指数数据进行极值处理的方法为：将所述第一历史指数数据的各工作日的所述收益率标签分别进行阈值为[0.2,-0.2]的极值处理，即将小于-0.2的收益率统一为-0.2，将大于0.2的收益率统一为0.2；S203：采用min-max方法对所述第二历史指数数据进行标准化，得到预处理后的历史指数数据；其中，采用min-max方法对所述第二历史指数数据进行标准化时，标准化的分布空间为[0,1]。进一步地，步骤S103中，所述仓位动态调整模型依次包括：输入层、L层隐层和输出层；所述输入层和输出层均为step个普通节点，每层隐层有step个LSTM节点；隐层中的每个LSTM节点中含有的全连接神经网络的隐藏单元数为K；其中，L和K的值通过网格搜索的方法进行确定，step为大于0的正整数，为预设值。进一步地，步骤S103中，所述仓位动态调整模型的激活函数为双曲正切函数；将每个时间步长最后的输出与真实收益率标签值之本文档来自技高网...

【技术保护点】
1.一种基于LSTM网络的A股仓位动态调整方法，其特征在于：包括以下步骤：S101：获取沪深300的历史指数数据；S102：对所述历史指数数据进行预处理，得到预处理后的历史指数数据；并将所述预处理后的历史指数数据划分为训练数据集和预测数据集；所述预处理依次包括：标签化处理、极值处理和标准化化处理；所述预测数据集为待调整工作日的前n个工作日对应的预处理后的历史指数数据；其中，n为时间步长，根据实际需要设定；S103：构建基于LSTM网络的仓位动态调整模型，并根据所述训练数据集，采用监督学习的方法对所述仓位动态调整模型进行训练，得到训练后的仓位动态调整模型；S104：根据所述预测数据集，采用训练后的仓位动态调整模型，对待调整工作日的沪深300指数的收益率进行预测，得到待调整工作日的沪深300指数的收益率；所述收益率为所述待调整工作日的后T个工作日的整体收益率；其中，T为大于或者等于2的正整数；S105：根据所述收益率，获得A股股票在待调整工作日的可持有仓位；所述收益率与所述可持有仓位为正比例关系。

【技术特征摘要】
1.一种基于LSTM网络的A股仓位动态调整方法，其特征在于：包括以下步骤：S101：获取沪深300的历史指数数据；S102：对所述历史指数数据进行预处理，得到预处理后的历史指数数据；并将所述预处理后的历史指数数据划分为训练数据集和预测数据集；所述预处理依次包括：标签化处理、极值处理和标准化化处理；所述预测数据集为待调整工作日的前n个工作日对应的预处理后的历史指数数据；其中，n为时间步长，根据实际需要设定；S103：构建基于LSTM网络的仓位动态调整模型，并根据所述训练数据集，采用监督学习的方法对所述仓位动态调整模型进行训练，得到训练后的仓位动态调整模型；S104：根据所述预测数据集，采用训练后的仓位动态调整模型，对待调整工作日的沪深300指数的收益率进行预测，得到待调整工作日的沪深300指数的收益率；所述收益率为所述待调整工作日的后T个工作日的整体收益率；其中，T为大于或者等于2的正整数；S105：根据所述收益率，获得A股股票在待调整工作日的可持有仓位；所述收益率与所述可持有仓位为正比例关系。2.如权利要求1所述的一种基于LSTM网络的A股仓位动态调整方法，其特征在于：步骤S101中，获取沪深300的历史指数数据的方法包括：从财经网站上获取和从专家机构获取。3.如权利要求1所述的一种基于LSTM网络的A股仓位动态调整方法，其特征在于：步骤S102中，对所述历史指数数据进行预处理，得到预处理后的历史指数数据的步骤包括：S201：对所述历史指数数据进行标签标注，得到具有收益率标签的第一历史指数数据；其中，对所述历史指数数据进行标签标注的方法为：分别计算各个工作日的后五个工作日收益率，并将各工作日的后T个工作日收益率作为收益率标签对各工作日进行标注；所述收益率计算公式如下：上式中，wt为第t个工作日的收益率，e(t+T)为第t+T个工作日的收盘价，s(t+1)为第t+1个工作日的开盘价；S202：对所述第一历史指数数据进行极值处理，得到处理后的第二历史指数数据；其中，对所述...

【专利技术属性】
技术研发人员：颜雪松，余鹏飞，孙淼，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42