【技术实现步骤摘要】
基于聚类与LSTM网络的增强指数跟踪方法
本专利技术属于计算机
,更进一步涉及数据处理
中的一种基于聚类与长短期记忆网络LSTM(LongShortTermMemory)的增强指数跟踪方法。本专利技术可用于对增强指数跟踪。
技术介绍
指数增强是在被动跟踪指数的基础上,加入增强型的积极投资手段,对投资组合进行适当调整,力求在控制风险的同时,获取积极的市场收益。指数增强策略不会对跟踪指数的成份股进行完全复制,而是会对部分看好的股票增加权重,不看好的股票则减少权重,甚至完全去掉。综合来看,就是既做到超额收益,又控制主动风险,其投资目标就是在紧密跟踪基准指数的同时获得高于基准的收益。目前常用的增强指数跟踪方法有三种:第一种基于规则的增强指数跟踪方法,该方法利用专业知识及各种数学模型,对问题进行求解,要求精确的数据和大量计算,而且受制于矩阵的非正定等因素;第二种基于启发式算法的增强指数跟踪方法,该方法是在空间内寻找最优解,其在高维空间搜索中易陷入局部最优使得其性能受到一定影响;第三种基于学习的增强指数跟踪方法,该方法利用各种网络模型、强化学习模型等机器学习模型对问题进行求解。北京航空航天大学在其申请的专利文献“基于深度注意力网络和强化学习的投资组合选择方法”(申请号:201910390018X,申请日期:2019.05.10,申请公布号:CN110223180A)中公开了一种基于深度注意力网络和强化学习的增强指数跟踪方法。该方法将融合注意力机制的神经网络模型引入到金融领域中,以夏普比率作为奖励函数,使用强化 ...
【技术保护点】
1.一种基于聚类与LSTM网络的增强指数跟踪方法,其特征在于,生成训练样本集,构建长短时记忆LSTM网络模型,该方法步骤包括如下:/n(1)数据预处理:/n(1a)从第三方数据库中采集10年中每个交易日的指数点位数据及指数包含的原始成份股数据,时间跨度为(1,...,T,T+1,...,T+L),其中(1,...,T)之间为样本内数据,(T+1,...,T+L)为样本外数据,指数点位数据维度为(1,T+L),原始成份股的数据维度为(N,P,T+L),其中,N为指数包含的成份股总数,P为每支成份股的特征总数,P>3,
【技术特征摘要】
1.一种基于聚类与LSTM网络的增强指数跟踪方法,其特征在于,生成训练样本集,构建长短时记忆LSTM网络模型,该方法步骤包括如下:
(1)数据预处理:
(1a)从第三方数据库中采集10年中每个交易日的指数点位数据及指数包含的原始成份股数据,时间跨度为(1,...,T,T+1,...,T+L),其中(1,...,T)之间为样本内数据,(T+1,...,T+L)为样本外数据,指数点位数据维度为(1,T+L),原始成份股的数据维度为(N,P,T+L),其中,N为指数包含的成份股总数,P为每支成份股的特征总数,P>3,为向下取整操作,T+L为10年中所有交易日的总数;
(1b)遍历原始成份股数据中所有成份股,剔除其中不满足T+L的时间长度的成份股,将剩余成份股组成(M,P,T+L)维度的成份股数据,其中M为成份股数据中包含的成份股总数;
(1c)对成份股数据中所有的特征进行归一化;
(1d)使用主成分分析PCA法,对归一化后的成份股数据中的所有特征进行降维,得到(M,3,T+L)维度的降维后的数据;
(2)生成长短时记忆LSTM网络的训练样本集:
(2a)将降维后的样本内数据组成初始训练样本集,降维后的样本外数据组成测试样本集;
(2b)从降维后的初始训练样本集中取出最后120天的数据,对每天的数据进行K-means聚类,得到(Q,3,T+L)维度的成份股数据,Q为120天中出现次数最多的股票的数量;
(2c)对(Q,3,T)维度的训练数据集中的数据以长度R在时间维上进行滑动,每次得到(Q,3,R)维度的数据,共有T-R+1组数据,获得网络训练需要的(Q,3,R,T-R+1)维度的训练样本集Dtrain,其中2<R<T;
(3)构建长短时记忆LSTM网络模型:
(3a)搭建一个三层的长短时记忆LSTM网络,其结构依次为:输入层、隐藏层、输出层;
(3b)设置长短时记忆LSTM网络的批处理大小为1,长短时记忆LSTM网络的输入层的节点数为Y,Y=Q*3*S+S,其中,*表示相乘操作,S为长短时记忆LSTM网络的延时间步前向传播的步数,1<S<R,长短时记忆LSTM网络的输出维度等于Q;
(3c)设置长短时记忆LSTM网络的激活函数为双曲正切激活函数;
(3d)设置长短时记忆LSTM网络模型中的损失函数如下:
其中,f为损失函数,∑为求和操作,ln为以自然常数e为底的对数操作,a为步骤(2c)中对(Q,3...
【专利技术属性】
技术研发人员:鲍亮,张晶,宋金秋,任笑,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。