股票投资组合选择模型和实证研究

Portfolio theory can be applied to a combination of multiple assets, cross-border portfolio. We apply this theory to the stock, one kind of securities. In view of the complexity of the financial market, we hope to make comprehensive use of three different investment philosophy: quantitative analysis, qualitative analysis and technical analysis, together with statistical methods to get the optimal stock portfolio selection model, and do empirical research. Our research includes: 1) Using data mining technology and financial model, quantitatively analyze the risks and returns of a single stock and multiple stock portfolios with historical stock price data collected in China, the US and other countries. 2) Quantitative analysis of stock-related text. With stock-related data such as news, research reports, and important plates of the People's Daily, and with natural language processing and machine learning methods, qualitatively analyze the stock market revenue and technically analyze the text content, revise the risks and returns quantified by stock prices in the previous step. 3) Portfolio Manager. Training and testing decision-making model, to determine the opportunity set of stock portfolio and select an efficient portfolio.

投资组合理论可以应用到多种资产的组合，跨国界的资产组合，我们把这一理论应用到股票这种证券上。鉴于金融市场的复杂性，我们希望运用统计学的方法，综合利用定量分析、定性分析和技术分析三种不同的投资哲学，给出优化的股票投资组合选择模型，并进行实证研究。我们的研究内容包括：1）量化分析股票价格。利用搜集到的在中国、美国和其他国家上市的股票历史价格数据，用数据挖掘技术和金融模型，对单只股票和多只股票组合的风险与收益进行定量分析。2）量化分析股票相关文本。利用股票相关新闻、研报、人民日报重要版块，用自然语言处理和机器学习方法，量化驱动股票市场收益的定性分析和技术分析的文本内容，修正前一步基于股票价格量化的风险与收益。3）投资组合管理器。训练并检验决策模型，确定股票投资组合权重策略集及策略选择。

金融领域对算法可解释性和透明性的严格要求，局限了一般学习算法的普遍应用。知识图谱的目的是将知识汇集和链接，并将知识具象化和可视化，拥有较强的可解释性，是理想的金融辅助工具。我们运用机器学习、深度学习、和知识图谱技术，结合定量分析、定性分析和技术分析三种不同的投资哲学，给出优化的资产投资组合选择模型，并进行实证研究。.我们取得的重要成果包括：.（1）提出两种金融资产价格预测框架：基于层级式注意力网络的股票预测模型，和基于特征工程、回归器和超参数调节的金融资产价格预测框架。在上证A 股与美股NASDAQ两个数据集上，证明基于层级式多路注意力网络的股票预测在文本特征抽取与时序建模上对输入信息的充分有效利用，以及该方法在股票价格预测任务上的优越性。使用来自雅虎财经与SeekingAlpha 上的数据，对147 支美股进行数值实验，验证了特征工程模块的统计意义、回归器模块的有效性以及调参模块的有效性，表明实现的框架性能优于基准方法。.（2）构建两种动态金融知识图谱并展示，具有时间维度的金融知识图谱，和基于迁移学习的金融事理图谱。我们基于A股上市公司，构建了动态的金融知识图谱，既可以辅助金融从业者制定决策，也能帮助监管部门对企业进行监管，还能够对普通民众进行金融科普，具有一定的实际应用价值和研究意义。针对命名实体识别任务、事件分类任务、事件元素抽取任务构建了相应的模型，在获取的数据集上同多个基准方法进行了比较和分析，取得了相对优异的表现。同时对于其他专业领域动态知识图谱的构建提供了思路和框架，具有很好的泛化性。.（3）随着越来越多的金融衍生品诞生，金融体系逐渐完善。除了前述针对股票相关的行情数据和文本数据研究，我们还从不同角度对更多的金融资产进行预测。这些工作包括：基于深度强化学习进行比特币价格预测，基于时间序列、机器学习、深度学习的比特币日收益率预测，基于时间序列的期货量化交易策略探究，卖方分析师能力预测模型，模拟基本面分析师的股票预测。