论文部分内容阅读
配对交易是一种非常受欢迎的交易策略,它是通过利用市场的低效率来获得利润。配对交易的思想非常简单,首先找到两只价格走势相似的股票,当这两只股票的价格差超过某一特定的阈值时,就对这两只股票分别建立多空头寸,直到这两只股票的价格差回复到正常水平时,再对两只股票进行反向平仓。神经网络以其独特的非线性自适应处理能力在预测中显示出巨大的优越性。一般情况下,金融时间序列预测需要根据历史数据和时间序列之间的依赖关系来完成,而传统的神经网络无法做到这一点。使用以前的事件来推断后面的事件通常是用递归神经网络(RNN)来完成。又由于传统的RNN神经网络存在梯度消失等问题,因此,提出了一种特殊的RNN神经网络模型,即长短期记忆神经网络模型(LSTM)。本文还使用了布谷鸟搜索算法(CS)来优化LSTM神经网络模型,也就是说,将时间序列输入到LSTM神经网络中,寻找基于布谷鸟搜索算法的LSTM神经网络的最优超参数。本文以沪深300成分股作为配对交易策略的研究对象,首先基于相关性分析划分了相关系数区间,再在不同的区间中分别选择协整关系较好的配对股票,采用了LSTM神经网络模型对配对股票的价差序列进行预测,其中,使用了布谷鸟搜索算法来选择LSTM神经网络模型中的超参数。根据模型的预测结果,进行了配对交易的实证分析,结果表明,与BP神经网络模型相比,基于CS-LSTM神经网络模型进行预测时,其预测结果的均方根误差更小,符号正确率更高,由此可见CS-LSTM神经网络模型的预测能力优于BP神经网络模型,且基于CS-LSTM神经网络模型的股票配对交易策略是可以获得一定收益的。在本文的最后,对基于CS-LSTM的配对交易策略的有效性及稳健性分别进行了检验,结果表明,基于不同的时期,该交易策略是可以获得一定收益的,且在不同的市场中选择配对股票时,如A+H股,该交易策略也是可行的,且该交易策略具有一定的稳健性。