一种基于部分可观察马尔可夫决策过程的股票交易策略

近年来涌现了许多把深度强化学习应用到股票交易策略的研究。深度强化学习通常依赖于马尔可夫决策过程建模，但是股票市场中交易策略的制定需要考虑历史交易数据中包含的信息。因此，本文通过部分可观察马尔可夫决策过程对股票市场建模，并采用长短期记忆网络和优势演员评论家算法来构建股票交易策略。通过在道琼斯工业平均指数成份股数据集上进行实验，实验结果表明本文所设计的股票交易策略构建方法可以挖掘隐藏在历史数据中的有效信息，获得稳定且有效的交易策略。     

应用于投资组合优化的强化学习状态与值函数的选择

针对金融资产未来收益的随机性,结合强化学习的原理,以Q-learning算法构造强化学习框架,来解决投资组合优化问题.采用一只股票连续数日开盘价和收盘价的涨跌幅信息作为状态,其中开盘信息在一定程度上纳入了市场消息面因素,收盘信息则直接反映股价波动情况,而连续数日的数据为模型加入了预测能力以用于指导投资.实证分析表明,投资者采用本研究方法进行投资可以得到较高且稳定的收益.     

在机制转换金融市场中红利对最优消费投资影响分析

考虑了在不同机制下的金融市场中带有红利支付的消费投资问题,在连续的时间里,投资者选择的消费投资策略使期望效用最大化.市场系数和投资者的消费效用是依赖于金融市场机制的.利用马尔可夫过程和随机控制理论,就几个特殊的HARA效用函数情形获得了最优消费投资策略的显示解.并针对市场在两种机制中的转换进行经济分析.     

基于人工蜂群算法的高频交易策略组合配置研究

针对高频交易的发展以及目前国内关于高频交易策略组合配置问题的研究不足,文章以投资组合相关理论为基础,构建高频交易策略组合配置模型.该模型定义了衡量策略收益波动的"Jump"变量,同时设计了包含此变量的协方差估计方法,进而极大地减少了传统投资组合理论下协方差的计算量.最后,应用人工蜂群算法对模型进行了实证研究.结果表明,与传统的高频交易策略配置方法相比,文章所提出的配置方法具有较好的效果.     

异构分布式系统中实时可任意切分任务调度算法

针对异构分布式系统中最大化实时可分任务服务收益和最小化任务完成时间的任务调度问题进行了研究.为在保持较高任务接受率条件下最大化服务收益,提出了三种有效策略:(1)同时考虑服务收益和任务完成截止时间的任务接受/拒绝判断策略;(2)从等待队列里移除任务的策略;(3)考虑收益的最小松弛度优先的排序策略.为最小化任务的完成时间,设计了能够充分利用处理机空闲时间的调度算法以对接受的任务进行调度.仿真实验结果表明,提出的算法能够获得更多的服务收益、任务接受率和较小的任务完成时间.     

金融市场的经典技术指标应用效果实证分析

技术指标分析是针对金融交易历史数据进行统计计算,反映金融品种的市场特征和变化规律,发现投资机会并控制投资风险,是金融市场上一类广泛应用的投资分析和决策方法。其投资效果到底如何呢?怎样应用效果更好呢?该文简述了金融市场上广泛应用的经典技术指标的计算原理及应用方法,选取国际市场代表性金融交易品种,选取足够多的交易数据,利用分析软件统计了投资策略的胜率与盈利率,对统计结果进行了相应分析。     

基于值分布最大熵Actor-Critic算法的投资组合管理

针对投资组合管理问题,提出一种基于值分布强化学习算法(VD-MEAC)的投资组合框架．首先,以投资组合收益最大化为目标建立强化学习框架,智能体的动作就是投资组合的权重变化;然后,选择股票因子做为智能体观察到的状态信息．在算法设计上通过新颖的技巧来平衡风险与收益：在控制风险方面,Critic网络学习未来收益的整个分布,并排除过度自信的决策信息从而避免过估计带来的风险;在提高收益方面,增加熵正则,鼓励投资者探索动作空间,避免过早陷入局部最优．在数值实验方面,选择真实的股票数据做为金融环境,多次进行测试以验证策略的稳定性．实验结果表明：VD-MEAC策略的收益均值为2.490,夏普比率均值为2.978,并且在收益率、最大回撤和夏普比率等指标上明显优于对照组(等权重,沪深300,DDPG,TD3,SAC),证明了该策略的有效性．     

金融市场中多种交易策略的演化博弈模型

提出一个金融市场演化博弈模型,其参与者可采用顺势、反转或中性交易策略.市场中各策略所占比例的差异会使得各种策略的预期收益有所区别,有限理性的交易者会学习并选择最有效的策略,从而改变市场中原有的策略组合.利用复制动态方程得到描述该策略演化过程的微分动力系统,系统的两类稳定状态分别解释了金融市场的周期波动和价格泡沫现象.     

基于BOLL的平稳技术指标在股票交易中的应用

近几十年来,股票交易在金融市场迅速发展,引起了金融行业的广泛关注。因此,构建合理的股票交易策略模型是十分必要的。BOLL指标是一种常用的股票分析工具。基于BOLL指标构造出适用于股票交易策略建模的平稳性指标,并在股票价格服从几何布朗运动的假设下验证了新指标的平稳性。最后,通过实际应用创建交易策略来验证它的有效性和获利性,提出一种在股票交易中的交易思想。     

一种改进的动态IS算法交易策略

在IS算法交易策略基础上,提出了一种考虑股票市场实时变化的改进动态IS算法交易策略.同时,针对中国股票市场的实际情况,设计了模拟市场交易平台,将改进动态IS算法交易策略、传统IS算法交易策略及随机交易策略分别引入到模拟平台当中进行比较.模拟结果显示,改进动态IS算法可有效降低交易成本,并明显优于传统IS算法和随机交易策略.     

基于深度学习算法的高频交易策略及其盈利能力

深度学习算法作为机器学习中的一种重要算法,在图像处理、语音识别、机器翻译等领域已成功应用.将深度学习算法应用于高频交易中,选取卷积神经网络和LSTM神经网络分别构建涨跌分类模型,在此基础上提出高频交易策略,并以沥青期货主力合约为例进行回测检验,实证分析策略优良性.通过与人工神经网络高频交易策略的比较,回测检验结果表明基于卷积神经网络和LSTM神经网络的高频交易策略的盈利能力较强,泛化能力较好,两种策略的胜率和期望收益虽有所差异,但均比人工神经网络高频交易策略高.     

理想状态下含交易费的证券组合投资模型研究

在理想状态下,即投资者可以支配的资金为充分大的情况下,研究了含有交易费的证券组合投资问题,将交易费函数近似线性化,考虑收益最大化与风险最小化,建立数学模型,并给出了算例.     

不确定性风险、事前投资与期货交易

基于事前专用性投资的套牢问题，建立了一个上下游企业的交易模型.运用最新的合同经济学理论，分析了企业可能面临的3种交易模式：市场交易，事后再谈判剩余的交易模式；合约交易，双边的合约交易模式；期货交易，多边的合约交易模式.结果表明：前2种交易模式，由于不能避免专用性投资的收益共享，造成了上下游企业的投资不足问题；第3种交易模式将专用性投资的一部分风险转移到了第三方，使上下游企业的期望收益仅依赖于各自的投资水平，即上下游企业与第三方分别签订了一份独立于自然状态的选择权合同，而此种交易机制可以消除事前投资的无效率；期货市场的存在有利于上下游企业的经济活动.     

流动性调整门限效应下的市场风险度量

为了刻画流动性对金融市场风险的影响，并且考虑到金融数据的尖峰厚尾性，对传统的门限UHF-GARCH模型进行扩展，加入持续期门限和对数持续期门限效应，基于标准T分布建立门限UHF-GARCH-MD模型和门限UHF-GARCH-LD模型，结合交易的及时性和交易深度刻画金融市场流动性风险，评价并比较两类门限模型的拟合优度和流动性风险度量精度.实证发现，持续期杠杆效应对金融市场流动性风险存在显著影响，门限UHFGARCH-LD模型不仅刻画了金融数据的尖峰厚尾性，并且捕捉高速流动性和低速流动性对金融市场风险的不对称影响，可有效地度量流动性风险，为金融市场风险研究提供了流动性新视角，也可为市场风险防控提供参考.     

基于限价指令的最优变现策略

最优变现策略是投资者指在一定时间内变现给定数量的头寸,并使其收益最大化的交易策略.以投资者最优卖价(限价单报价)高于市场实时一档买价的价差为变量,以收益最大化为目标建立随机控制模型,并采用HJB方程转换成一组常微分方程的求解,给出限价单的最优报价策略,利用蒙特卡洛模拟出限价指令策略的交易曲线.该模型同时考虑价格波动风险和未执行风险,并将买卖价差标准化后带入模型,避免了绝对价格的不同所带来的差异.     

一种成本驱动的云计算任务调度策略

为了使得云计算不仅满足调度任务的QoS要求,且尽可能地最大化其服务收益,从云服务提供方的角度出发,提出了一种成本驱动的云计算任务调度策略.提出的方法在满足用户任务QoS约束的前提下,以最大化云环境单位计算开销的服务收益作为其调度目标,在此基础上建立相应的任务调度模型,最后通过遗传算法在多项式时间复杂度内对上述调度目标进行优化求解.在Cloudsim模拟器上完成了一系列仿真测试.结果表明:提出的方法在任务完成时间、调度完成时间超过调度截止时间底线的任务比例,以及云环境单位计算开销的服务收益等指标上均优于传统的Min-min算法和改进的QoS约束的Min-min算法.     

基于深度强化学习的高频交易优化算法

为解决高频交易的高额交易费用问题,该文提出了一种融合长短期记忆(LSTM)网络细胞结构的深度确定性策略梯度交易算法。该算法利用细胞结构对当前信息和历史特征进行环境特征提取和保存,用于指导交易决策。通过深度确定性策略梯度算法实现在线自动交易,并考虑了交易费率和收盘价格对奖励函数的影响。在上证50指数基金的分钟级数据上进行实验,结果表明,该算法能有效捕获稍纵即逝的交易机会,是一种低风险高收益的稳健型投资策略;LSTM细胞结构和所设的奖励函数能大幅减少交易次数,不仅增加了算法对交易费率的包容性,还提升了收益的稳定性。     

行为金融理论下的投资行为模型与策略

行为金融理论是金融研究和实践的前沿领域,它的出现弥补了现代金融理论在个体行为分析上的不足。通过分析基于该理论的投资行为理论模型和投资策略,可以充分了解行为金融理论是从学科之外寻求推动金融学发展的新动力,并为人们理解金融市场提供了一个全新的视角。     

市场变化条件下的最佳投资组合模型研究

VaR(ValueatRisk)是一个在当前的金融市场条件下,各种不同的风险测量一个确定投资的获利的重要方法。近年来,套利研究被用来开发这种风险的可行方法。提出了VaR估计并提出新问题。假设给定一个可接受的VaR,如何确定一组给定证券的组合投资的最大收益,并且同时满足的约束条件。假设市场条件是变化的,如何在保证的投资组合下,在给定的范围内,获得一个投资重组(重新平衡)策略,使其在一系列投资组合中相应的收益最大。为了解决这些问题,采用并进一步开发了一种算法来进行这些投资组合的优化问题。     

分布式系统中基于非合作博弈的调度算法

针对分布式系统中任务调度问题,根据分布式环境下的任务调度特性,建立了一个非合作博弈的多角色任务调度框架,在此基础上提出了一种基于纳什均衡联合调度策略的分布式强化学习算法.相比于静态调度算法,该算法需要更少的系统知识.能使调度器主动学习任务到达和执行的相关先验知识,以适应相邻调度器的分配策略,目标是使得调度器的策略趋向纳什均衡.模拟实验结果表明:所提出的算法在任务的预期时间和公平性上相对于OLB(机会主义负载均衡)、MET(最小执行时间)、MCT(最小完成时间)等同类调度算法具有更好的调度性能.