基于MACD的平稳技术指标在高频交易中的应用

近几年来,高频交易在全球金融市场迅速发展,引起了金融行业的广泛关注.高频交易的"高频"特征,导致其交易无法通过人为手动进行操作,只能借助计算机程序化交易系统实现.因此,构建合理的高频交易策略模型是十分必要的.MACD(Moving Average Convergenceand Divergence)是一种判断股票、期货、外汇买卖时机和进场点、跟踪价格运行趋势的常用分析工具.基于MACD指标构造出适用于高频交易策略建模的平稳性指标,并在对数增量平稳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,提出一种在高频交易中新的交易思想.     

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。     

基于深度强化学习的国内金融市场投资比较研究

近年来，随着全球经济的迅速发展，参与金融投资的投资者增多，如何在复杂的金融市场中自动选择交易策略使收益最大化成为研究热点.强化学习可以通过与实际环境的交互来寻找最优的交易策略，使投资收益最大化.现有的方法大都是将一到两个强化学习算法应用于金融市场并比较算法在单一交易任务上的表现，此外，这些研究大都针对国外的股票、证券市场或加密货币市场，对国内金融市场的研究甚少.针对上述问题，面向国内金融投资市场，系统性地验证了不同类型的多种深度强化学习代表性算法在单只股票交易、多只股票交易和投资组合分配三个投资任务上的有效性.通过观察在累计收益率、夏普比率、最大回撤等评价指标上的回测结果对算法进行比较，结果显示在不同的投资任务中选取合适的强化学习算法可以有效地提升收益.     

基于均线及统计规律的股票投资策略

股票交易中买点的选择是核心问题.投资者大多通过基本面分析判断股市行情来选择股票买卖点,但这样的交易时机选择往往有较强的主观性.基于此,从概率统计的角度对股票买点的选择进行了定量分析,并给出了一种交易策略算法.首先,通过历史交易大数据对买点的特征进行提取;其次,利用经验分布函数在统计意义上对随机买点的获利概率分布进行分析...     

RCR:一种面向金融时间序列的相似度量模型

在对我国证券市场交易数据的研究基础上,提出了一种新的面向金融时间序列的相似度量模型。此模型的数学定义清晰,易于计算机实现,能够有效完成形态搜索的自动化。给出了模型的形式化定义和模型的性质,并在实际股票交易数据上进行了相似性搜索实验,实验结果验证了模型的识别能力。     

股票交易方案评估系统的设计与实现

描述一个使用Matlab6.1的金融时序工具箱来实现的股票交易方案评估系统,该系统提供一套易于使用的交易方案描述语言,投资者可以使用该语言将交易方案程序化.     

随机风载下高速列车动力学安全特性

为了研究随机风载下高速列车的动力学特性,提出一种随机风环境下高速列车安全平稳性评估方法。基于Kármán理论和Davenport相干函数通过谐波合成法建立随机风数值模拟模型,并推导随机风作用下的高速列车非定常气动载荷的计算公式。通过SIMPACK建立车辆系统动力学模型,计算不同随机风载作用下的高速列车以不同车速运行过程中的安全性指标及平稳性指标。最后,本文选择了包括脱轨系数、轮重减载率、轮轴横向力、Sperling平稳性指标在内的多性能指标作为目标来支持决策。通过仿真对多性能指标进行评价,验证了该模型在强风下高速列车运行动力学特性研究中的适用性。     

团购现象的博弈分析

团购是一种新兴的社会现象.它给消费者带来了一种全新的、更经济有效的购买商品的途径.在这种特殊的交易模式中,交易各方采取较传统交易方式不同的策略.这些策略导致了截然不同的结果.本文试图用博弈理论来分析团购这个新的社会现象.本文的关注焦点是:在团购过程中,交易各方分别会采取哪些策略,为什么要采取这些策略.     

地理加权回归分析空间数据的空间非平稳性

空间数据一般具有空间非平稳性的特征,用一般线性回归模型来拟合空间数据,其分析结果不能全面反映空间数据的真实特征．地理加权回归模型是一种相对简单而又有效的探测空间非平稳性的新方法,属于局域空间分析模型．它允许不同的地理空间存在不同的空间关系,其结果是局域而不是全域的参数估计,因此能够探测到空间数据的空间非平稳性．以银行不良贷款原因分析为实例来验证空间数据的空间非平稳性．     

采用机器学习与二维伽马函数的股票指数量化交易策略

为了通过短线交易获取对标股票指数的超额收益，提出一种基于机器学习的股票指数增强型量化交易策略，并实现程序化自动交易。首先生成股票指数的初始特征集，通过最大互信息系数法筛选得21维特征；然后设计双阈值涨跌不平衡标签与3种预测分类方式(T、B-B、B-T),组合构建不同机器学习模型，并对比择优得到多空交易方向的最优机器学习模型分别为LSTM-B-T模型与RF-B-T模型；接着设计基于日内涨跌幅的二维伽马函数；最后使用经二维伽马函数计算得到的类概率判别阈值与最优机器学习模型预测的类概率进行涨跌类别判定，得到交易信号。将该策略应用于中证500指数的股指ETF进行回测与模拟盘交易验证，实验结果表明：相较于随机建仓策略，采用该策略使交易评价指标得到整体性提升；在回测与为期3个月的模拟盘交易验证中使用该策略均能获得对标指数的理想超额收益，分别为11.24%、11.08%。