基于人工神经网络的量化选股策略研究

马静萱 黄靖淞 张榕梅

1.人工神经网络

人工神经网络起源于1943年，是一种模仿生物神经网络结构和功能的数学模型。通过对过去数据的实验和学习进行归纳总结，推理产生出一个具有自动识别功能的系统。人工神经网络的推理功能符合投资者的需要，在股票证券市场中，预测股票证券走势，从而达到利益最大化，风险最小化的目的，因此人工神经网络被广泛应用。国内外有许多学者对其做了大量研究。

2.多因子模型

1993年，Fama和French建立的三因子模型（2），认为一个投资组合的超额回报率可由它对三个因子的暴露来解释，分别是市场资产组合、市值因子和账面市值比因子，他们认为这三个因子是对CAPM中未能反映的风险因素的补偿。1995年，Carhart基于Fama和French的三因子模型上，加入了一年期收益动量异常因素，构造了四因子模型（3）。四因子模型可将基金收益表示为在市场因素（MKT）、规模因素（SMB）、价值因素（HML）和动量因素（UMD）共同作用下所达到的一个均衡。本文将基于四因子模型的理论，引入多因子模型的思想，创新地以变动的因子作为研究对象，比较高频交易投资策略的评价指标，根据模型挑选出综合排名较高的投资策略。

3.模型构建

3.1交易规则

1）设定交易池股票数量为15只；2）初始资金：1，000，000元；3）每个股票每次交易额度为初始资金的1/15。

3.2设置股票池

1） 第一轮先把整体数据2597只沪深A股中无法交易的删去，以行业为标准选取该行业市值前十的股票进入二轮股票池。2）以市盈率为基准，将二轮股票池中不符合条件的股票剔除， 3）将二轮股票按照市盈率进行排名，并结合买入规则，将符合买入规则1+2、3、4三项的，符合1+任意两项的，符合1+任意一项的进行排列。4），将没有触动买入规则的但已在三轮股票池中的这些股票按以上市盈率排列法排序。将筛选出来的股票如果大于15只的话从排名16号的股票开始就放入备选交易池，若交易池卖出以致交易池不足15只按排名买入备选池中的股票填充，以此循环。

3.3 建立买卖规则

买入规则：1） 布林带：价格向上突破中轨；2）MA1与MA5且MA1与MA10金叉；3）KDJ金叉；4）MACD金叉。按以上四至五步触动买入规则的股票排名的规则买入。卖出规则：1）布林带：向下突破上轨或向下突破中轨；2）MA1与MA5或MA1与MA10或MA1与MA20或MA1与MA30死叉；3）KDJ死叉；4）MACD死叉；5）3日内（三天后收盘价-第一天买入价的利润幅度）价格向上波幅没有2%。以上仅有一项卖出规则被触动便操作卖出。

3.4 网络训练与资产组合构建

（1）人工神经网络的训练

隐含层的确定：根据经验公式，隐含层节点数大概选择4-6，在假定学习效率为0.1 下，针对每个节点数都训练6次，得出网络性能如下，可以看出节点数为5的时误差最小，同时按照经验公式选择学习率为0.1

（2）选股与投资组合构建

回测时间：2015年1月5日至2016年7月1日； 样本空间：2597只沪深A股；

换仓频率：每当交易池不足15只时；参照物：上证指数；每交易一次，考虑0.3 %的交易成本；

在行业中性及控制误差的基础上，使得投资组合的预测收益率最大化。

3.5 策略檢验

首先，选取2015年1月5日至2016年7月1日的股指期货指数的开盘价、收盘价、最高价、最低价等数据。根据3.1.3设立的买入卖出规则编写策略，其中用到的主要技术指标有布林带、MA1与MA5且MA1与MA10金叉、KDJ金叉死叉以及MACD金叉死叉。其中选取2015年1月5日至2015年12月31日的数据作为建立模型的基础，选用2015年1月5日至2016年7月1日的数据作为回测。其次，策略评估指标的选取方面，本文以市场广泛使用的指标为基础，在此基础上对策略评估指标进行筛选。选用的策略评估指标包括：基准收益，Alpha Beta，夏普比率，最大回撤

根据回测的数据，利用策略评估指标进行比较。首先，以上证指数收益率9%作为参照物，模型优化前的收益达到11%，经过进一步的调整，模型优化后的策略收益达到16%。此数据证明，还策略所带来的收益高于同期大盘收益，最高可以获得7%的超额收益。同时，比较剩余的评估指标，在模型优化前，Alpha比率为0.36，Beta比率为0.86，夏普比率为1.16。在进行模型优化后，Alpha比率上升为0.4，Beta比率达到0.9，夏普比率增加至2，优化后的模型带来的收益比优化前的模型有所增加。此外，模型优化后的最大回撤从模型优化前的0.32降至0.22，证明优化后的模型不仅带来更高的收益，同时降低了风险。

4.总结

本文基于人工神经网络的量化对冲策略的研究，以达到收益最大化，风险最小化的目标。本文首先介绍了人工神经网络以及多因子模型，借鉴多因子模型的思想，并创新地引入变动因子作为研究对象。在初步改进模型的有效性后，将模型应用于策略中，得到了满意的组合收益率。实证结果表明本文构建的基于人工神经网络的量化对冲策略具有一定的参考价值。

参考文献：

Fama， E.F.， & French， K.R. （1992）， “The Cross-Section of Expected Stock Returns”. Journal of Finance， 47， 427-465.

Carthart， M. （1997）. On persistence of Mutual Fund Performance. The journal of Finance， 57-82.