采用门控循环单元与深度进化策略的股票指数量化模型

打开文本图片集

摘要：为了提高股票价指数预测的准确性、增强统计建模性能优化与股票指数特征相依的交易策略效果，提出一种将指数预测与量化交易策略有效结合的门控循环单元深度进化量化模型（GRU-DES）。首先，建立循环神经网络（RNN）、长短时记忆神经网络（LSTM）和门控循环单元网络（GRU）预测模型， 分别对上海证券交易所（上证）超大盘股票指数、上证中盘股票指数和上证小盘股票指数进行预测; 接着采用所提出的深度进化量化模型（DES）对三大股票指数的预测值与真实值进行回测研究， 通过比较预测结果与真实结果在同一策略下的各项回测指标和交易细节等特性确定最优网络结构和策略参数，进而优化深度进化策略； 最后根据优化后的策略提出了GRU-DES模型，并再次对三大股票指数进行样本外数据回测来验证模型有效性。（剩余16831字）