论文部分内容阅读
投资组合能够通过分散投资者或金融机构持有的资金,有效地降低投资风险。投资组合所研究的数据为典型时序数据,若选取的投资组合之间的时序相关性较大,则不能够真正地分散投资风险,并且其主要通过分析历史时序数据而进行资产配置,未能有效地应对未来金融市场的风险。因此,研究时序聚类获取低风险的投资组合以及在有效的时序预测数据下进行投资组合策略研究具有重要意义。针对投资组合间时序相关性较大的问题,根据金融时序聚类可行性分析,提出基于AP聚类的时间序列聚类方法进行投资组合选择。分析利用AP聚类应用于投资组合聚类选择的优点,同时针对原AP聚类算法中因数据量过大以及较高时间维度而造成聚类数目较多且不可控的问题进行改进,提出一种可控式的AP聚类算法,该算法在原有的AP聚类算法中设置可控参数,从而对聚类结果进行控制,为投资者提供灵活的投资组合选择方式。针对由历史数据进行投资组合资产配置不能够有效应对金融市场未来风险的问题,提出基于LSTM对已选投资组合的各数据进行预测,根据预测数据计算出各个时序数据之间的相关性风险,并结合相关性风险提出一种动态择时资产配置方法,为投资者提供有利的投资时机和资产分配比例以应对未来金融市场风险。选取沪深300只股票2018年1月至2019年3月1日的历史数据进行实验验证及分析。结果表明,可控式AP聚类算法有效地处理因原AP聚类而造成的聚类数目不可控的问题,并且相对于经典的聚类方法处理投资组合选择时,在相同聚类数目下,轮廓系数及CH评估皆优于经典聚类方法;构建合适的LSTM模型对聚类选择的投资组合中的各股票进行预测,比较预测数据与实际数据在基于相关性风险进行资产分配的收益差距,其中单个股票收益最高误差为4.7293%,误差不超过5%,总体投资组合的收益大小误差为0.075%,不超过百分之一;在预测数据下提出的基于相关性风险的动态择时资产配置方法,对本研究数据及条件下能够提高原增长收益的3.55%,并得到最优的投资时机及资产分配比例,有利于为投资者应对未来风险获取理想收益。