文摘

快速的经济发展和投资规模的不断扩大,股票市场产生了越来越多的交易数据和市场舆论信息,使投资者进一步很难区分有效的投资信息。人工智能的连续浓缩成就,人工智能研究人员的地位和影响力在学术界和社会已经大大提高。专家系统作为人工智能的重要组成部分,在这个阶段取得了突破性的进展。专家系统是基于大量的专业知识和经验为一个特定的领域。该系统的计算机可以用来模拟专家的决策过程提供决策依据解决一些复杂的问题。本研究主要讨论股票价格预测方法的基础上,人工智能(AI)算法。模糊聚类是数据挖掘工具,近年来开发和广泛应用。使用这种方法来处理超级大型数据库中各种数据属性具有效率高的特点和少量的信息损失。理论上讲,使用模糊聚类技术和相关指数法可以有效地减少大规模金融上市公司的基本面。通过分析股票价值投资的影响因素,我们特别选择从上市公司的财务报表可以反映盈利能力的五个方面,发展能力,股东盈利能力,偿债能力和操作能力。 The full text runs through a variety of AI methods that is the characteristic of the research method used in this article, which pays special attention to verifying the theoretical method model. Doing so ensures its effectiveness in practical applications. In stock value portfolio research, a portfolio optimization model, which integrates the dual objectives of portfolio risk and returns into the risk-adjusted return of capital single objective constraints and solves the portfolio, is established. The accuracy and recall of the FCM model are relatively stable, with accuracies of 0.884 and 0.001, respectively. This research can help improve the number and quality of listed companies.

1。介绍

传统的价值投资理论是不适用的股票市场。证券市场已经充斥着各种各样的投机活动很长一段时间,它直接影响了市场的稳定性。因此,价值投资理念的形成有利于理性投资市场的气氛。虽然价值回归的趋势已逐渐出现在最近几年,纠纷存在的适用性国有股市的价值投资理念。从人工智能主题基金开始,介绍目前市场上的资金投资于人工智能主题股票,然后通过描述性统计分析基金收益的分布特征;然后进行统计检验,建立相关模型,并计算该基金的VAR值研究;最后,实证分析人工智能主题基金的风险特征。

估值方法的缺点是过度依赖模型。股票价格的复杂性所描述的现象不能单独估值模型。模型的测试方法也是一个困难的问题。不是很多的应用人工智能(AI)在股票价值投资方法存在。然而,这种方法的优越性能吸引了国内学术界的关注,应用前景是乐观的。

相关的复杂任务是提高投资决策。张X认为估计SOH由于不同的放电/充电电池的特性和操作条件。他的方法是验证(1]。Etminaniesfahani引入了一个新的meta-heuristic算法。他还演示了算法性能通过两个工程设计问题(2]。鉴定N发现与金融契约投资经理的公司更少(和)在公认会计准则的变化增加(减少)合同缺口。他也记录了具体机制体现在的关系(3]。古普塔R相信没有观察到月度经济活动的频率数据;因此,他利用美国国家经济研究局衰退虚拟测量,,反过来,可以很容易地包括(4]。Das S P预测金融衍生品(5]。财务数据不同于其他类型的数据,和数据对极端风险在股票市场更特别。传统的机器学习方法进行处理不平衡数据集不能保证生成的数据还可以显示相关财务数据的特征。调整不平衡数据的处理方法可以被认为是适应不平衡数据。

通过深入分析虚拟股票的性质,本研究解释说,虚拟股票的本质是股票价值投资理论的深刻的理论依据和科学理论依据价值投资的成功。它是基于人工智能方法关注股票在股票投资过程中选择过程。投资组合是注意到的两个关键环节,即,设计特定的股票价值投资策略和方法的过程。在本文中,主成分分析(PCA)是在每个索引上进行选择。然后索引分为两组共线性高根据内部和外部的因素。随后,许可证软件是用于执行PCA。使用模糊聚类技术和相关指数法可以实现的有效减少大规模金融上市公司的基本信息。

2。研究方法

2.1。功能指数提取

在这项研究中,PCA进行提取特征指标。有以下两个优点的PCA方法。首先,多个指标综合反映通过几个主要组件。第二,多个指标转化为几个主成分,是不相关的,原始数据的大部分信息,从而解决共线性问题的指标。处理必要的风险特征指标改善款和FCM模型的收敛性和精度是重要的。主成分分析在每个索引上执行选中。然后索引分为两组共线性高根据内部和外部的因素。许可证使用软件进行主成分分析。

最好的样本股票的风险调整的资本收益的特点是,该模型没有高要求的数据结构。它可以快速找到法律从数据模型本身来完成一种改进的数据拟合。通过的非平稳序列的d-order phase-by-period差异决定逐步稳定建模过程。因此,新获得的平稳序列的序列可以使用RAROC模型。然后,原始序列是通过逆变换6]。 在哪里代表了一个新的序列获得的d连续differenceand是白噪声随机序列μ,这是用来表示时间的随机误差t。

样本股票的RAROC如下(7]:

使用改进的物流发展模式,其中包含大量的假设和平滑adjustment-related参数,用于适应趋势(8]。 在哪里C是一个函数的承载能力随着时间的推移,作为独立变量和 是一个函数的增长率与时间有关。

2.2。模糊聚类算法特征选择的股票价值

股票价值信息主要反映在盈利能力、发展能力、股东盈利能力,偿债能力和操作能力的上市公司。财务指标包括每个人也有钱。如果使用定性分析的方法直接从他们选择的指标,那么它无疑将导致大量的信息缺失,这将直接减少投资决策的成功率。因此,采用科学的方法处理信息是必要的。一方面,大规模信息应该降低到一个可操作的范围。另一方面,信息的完整性应尽可能保证。模糊聚类是数据挖掘工具,近年来开发和广泛应用。使用这种方法来处理超级大型数据库中各种数据属性具有效率高的特点和少量的信息损失。理论上讲,使用模糊聚类技术和相关指数法可以达到有效减少大规模金融上市公司的基本面。

在这项研究中,模糊聚类技术用于集群这五类指标。相关指数法也用于屏幕指标,压缩股票价值投资,最后选择股票价值。投资密切相关的指标构成了股票价值的特性集。

2.2.1。属性约简

模式识别的第一步是分析各种特性的有效性并选择最具代表性的特征。机器语言是相当强大的数学特征提取。属性约简有两个方法:一个是特征选择,另一种是特征提取。

人工智能是目前最热门的话题之一,和每日波动和股票市场的变化也是公众关注的话题。人工智能的趋势下,上市公司股票与人工智能相关的主题吸引普通投资者的关注和爱。有两种主要方法的投资者投资于人工intelligence-themed股票股票二级市场:一是直接购买和出售相关的股票;另一种是买卖开放式基金,专注于投资人工intelligence-themed股票。功能评价的目的是分析所选功能是否合理,是否丢失一些重要的信息,以及是否可以扩大不同类别之间的距离。特征提取的目的是描述样本的一些功能实现的目的降低特征空间的维数。特征选择如图FCM股票价值1。

2.2.2。模糊聚类的步骤及其关键算法

根据聚类分析的定义,一个是基于样本相似度聚类,称为样本聚类;另一种是基于指标聚类相似,称为索引集群。聚类分析方法可以分为许多方法根据所使用的不同的数学工具。其中,聚类分析方法使用模糊数学工具被称为模糊聚类。在模式识别系统中,初始样本通常是高维的特点,冗余和噪声。在初始样本的特点,功能和意义的相同类型的样品的相同或相似的特性。多重相关直接影响分类器的效率和性能。因此,模糊聚类方法可用于集群的多个特征样本首先实现他们的分类,然后选择最具代表性的特征成分相似的特征之一。通过相似指标的选择,可以实现功能筛选的目的。(1)数据标准化:数据标准化的具体算法包括两个步骤(9]:①翻译和标准偏差转换(10]: 其中, 。实现数据的dimensionlessness但不保证他们都在间隔 。②翻译和转换范围(11]: 显然,所有在区间[0,1]。(2)建立模糊相似矩阵:假设X和Y两个非空的集;然后,直接的产品如下12]: 在这项研究中,使用相关系数法来计算模糊相似系数(13]。 在哪里和任意两个变量的变量空间。根据相关系数建立模糊相似矩阵方法如下(14]: 模糊聚类分析在股票价值投资的影响因素属于索引集群。盈利能力指数的模糊相似矩阵如表所示1。(3)集群:在这篇文章中,传递闭包方法用于集群。首先,寻求获得的模糊等价矩阵传递闭包使用方法。第二,模糊等价矩阵的五个方面的盈利能力,发展能力,计算股东盈利能力,偿债能力和操作能力。 方阵的self-multiplication操作替换产品,操作和传统的矩阵乘法与模糊集的交集和工会操作。 (4)功能检查:相关指数法用于屏幕三个类似的指标在各个方面。对于已经完成的分类,可以选择一个代表性指标从每个类别是一个典型的指标。这里的特征选择采用相关指数法。同一类别的指标,选择最大程度的指数相关性与相同类型的指标是必要的,以确保所选择的特性可以覆盖更全面的信息。具体方法如下:首先计算每个类别指标之间的相关系数,然后计算相关系数的平方的平均值之间的每个指标和其他指标,也就是说,相关指数;随后,选择最大的相关指数作为典型指标。如果只存在一个指标分类,然后它可以直接包含在指标设置。如果两个指标分类中发现的,然后应该选择其中之一。

金融风险是指金融行为的结果的不确定性或事件当事人;股票市场的风险是指买卖股票在股票市场上,投资者面临的不确定性收入由于股票价格的波动。根据风险和回报之间的关系,以及是否可以多样化的风险,股票市场的风险可分为nonsystematic风险和系统性风险。根据选股模型建立的过程中,设计选股模型的结构如图2。

2.3。股票价格预测

传统的机器学习方法一般基于经验风险最小化的原则。他们的学习效果是有限的学习样本的数量。在实际应用中,往往存在一些已知的样本。培训效果不理想。函数设置如下(15]:

这是分解成一个嵌套的函数序列子集。每个子集可以安排根据Φ的大小,也就是说,VC安排:

这样,信心范围是相同的在相同的子集。最好的评价标准是预测预期的风险R(16]。

风险价值(VAR)是用数学语言表达 VAR是置信水平下的风险值c(17]。

样本股票的预期回报率是多少

金融市场呈现明显的多重分形特征,金融市场的波动性状态可以以这些特征。

首先,对于每个交易日,概率计算价格系列位于特定区域(18]:

概率测度和有一个幂律关系如下:

长度相同的时间间隔相同的嘴表示如下(19]:

相同的也服从幂律分布划分功能,即

的值范围问(100−100),最后通过勒让德变换(20.]: 在哪里是奇偶性指数。体重指数函数 在哪里k>O是Arrow-Pratt绝对风险厌恶系数。

根据系数的值范围,分为两个部分(21]: 在哪里是风险厌恶系数。预期缺口(ES)

已知训练样本,准确预测的目的是通过确定相应的输入和输出之间的关系。变量之间的关系x和y可以用作一个联合概率F(x,y);然后,n样本是相互独立的,均匀分布。最优函数解决预测函数集 可以获得,获得的期望风险F(x,y)可以使用这个函数估计22]。 代表了在预测损失。假设期望风险有一个统一的概率分布,下面的公式是用来估计期望风险定义的(23]:

3所示。结果

本文将进行深入探索的应用价值投资理论和方法在股票市场。首先,本文从虚拟股票的性质,利用传统的价值投资理论,并结合了股票市场的发展阶段来研究股票市场的价值投资的问题,然后提出了一种新的价值投资框架提高价值投资理论从理论的角度来看。相比之下,R₁和R₂,建议选股模型取得了好的结果在平均收益率和累计净值。一方面,模型击败的平均回报R₁在7的9个测试期和击败的平均回报R₂八期。除了2017年第三季度和2018年第一季度,该模型在所有测试时期取得了积极的回报。未能在这两个时期获得正回报可能是由于股票市场崩溃的影响。这些结果表明,该选股模型是一种有效的投资策略。结果的平均收益率和累计净值是显示在图3。

价值投资是一种投资理论具有丰富的内涵。使用价值投资指导投资实践需要一个全面的、客观的和动态的理解价值投资理论。是无意义的学习价值投资理论的发展阶段的股票市场。面对新一轮的投资热潮,我们有必要开展深入研究和重新解释的价值投资理论基于股票市场发展的阶段性特征。一方面,这是价值投资理论的丰富和发展,另一方面,这使得证券投资者重新审视价值投资理论基于国情和形成一个全面、客观的了解。讨论预测指标的重要性,介绍了预测和金融因素的权重,呈现在图4。平均预测指数(PR)重量是0.515。在所有的指标,预测指标权重排名第二,仅次于净利润同比增长率。与其他指标相比,预测因素对模型做出了巨大的贡献。

在表中所示模块2选股模型,在基于“增大化现实”技术的使用FCM表现更加突出,SharpeRatio,概率。R₁),概率。R₂),HitRatio。同时,SVR最大和最小的选股模型取得了一些优势,而选股模型的反向传播神经网络(摘要)是处于劣势的评价指标。因此,预测因素由FCM可以协助选股决策。统计证明,选股模型使用FCM明显比其他基准模型,t在每个基准测试执行模型。流程如下:正常测试,这是先决条件t以及,首先表现在每个模型。然后,构造零假设,H₀:选股模型的基于“增大化现实”技术的使用FCM是明显低于其他基准模型。根据模块B,所有模型都通过了正常测试,他们的 - - - - - -值小于5%。在95%置信水平,FCM-based选股模型和预测因素由FCM可以协助证券选择决策。决策比较在模块如表所示2。

深化对价值投资的概念的研究有利于促进价值投资理论的成熟和完善,培养适合中国股市价值投资概念,和客观的帮助抑制过度投机,使价值投资深深扎根于人民的心,和间接调节证券市场秩序,促进股票市场的健康发展,充分发挥股票市场的功能。在证券市场,风险和机遇共存,我们必须了解市场的本质和适应市场环境的变化,以更好地把握稍纵即逝的市场机会。统计证明,选股模型使用FCM明显比其他基准模型,t在每个基准测试执行模型。流程如下:正常测试,这是先决条件t以及,在每个模型上执行。然后,构造零假设,H₀:选股模型的基于“增大化现实”技术的使用FCM是明显低于其他基准模型。根据模块B,所有模型都通过了正常测试,他们的 - - - - - -值小于5%。在95%置信水平,预测因素由FCM可以协助选股决策。表中给出的决策比较模块B3。

评价指标的预测方法模块C展示在表4。显然,使用FCM的方法来预测股票价格把所有基准模型在计算时间,定向精度D-STAT,预测准确性日军,RMSE。在这项研究中,FCM相对突出的预测能力。统计证明预测结果基于极限学习机的FCM明显优于基于其他基准模型;Diebold-Mariano测试(DM测试)是每个基准模型上执行。流程如下:构造一个零假设,基于FCM H0:预测结果明显低于基于基准模型。

DM测试结果模块D表所示5。所有 - - - - - -值小于5%,表明FCM-based预测结果优于基准模型在95%的置信水平。它证明了FCM具有较强的预测能力。基于FCM的预测结构可以更好地协助选股决策。

从算法的角度来看,纯粹的遗传算法(GA)收敛迅速在最初的阶段,但非常不稳定;与此同时,模糊聚类算法实现了最优解的收敛强劲。算法的性能比较图所示5。

Batch_size是每个培训和梯度更新块的大小。与时代价值的增加,总体精度模型的显示,这一趋势显著降低然后逐渐增加。波动不明显,召回率的值显著增加,然后逐渐稳定。综合比较以上结果,条件下的综合权衡模型准确性和灵敏度危机样本,本文以时代值作为最优参数。此时,准确率为0.702,和召回率是0.731。它表现良好,可以有效地预测危机状态的情况下确保准确预测股票市场的状态。总之,本文完成了FCM的建设极端风险预警模型。整个迭代的评价结果如图6。

款的5倍交叉验证模型通常是稳定的。平均准确率为0.723,标准差为0.010,平均召回率是0.705,标准差是0.014。精度和召回的波动值非常小,和模型很好。稳定和拟合效果很好。从结果,FCM模型的精度和召回是相对稳定的。平均精度为0.884,标准差为0.0015。因此,FCM模型还具有良好的稳定性。整体的检查和比较模型如图款7。

图8显示了数据中随机选择135天。每日返回2016年股指大幅波动率序列,和极端的上行和下行的风险是显而易见的。position-limiting政策的介绍后,序列的波动性有所缓和,但下行风险仍然似乎是一个明显的波动集聚。

本文现在的款和FCM模型构建极端股市风险的早期预警。两种模型应用于300年真正的上海和深圳市场。我们的目标是提供一个极端股票风险的早期预警。市场状态和极端风险是否发生预计。

从2017年5月到2017年10月期间,极端风险出现在市场上。FCM的危机预警和覆盖这一时期集中款。前几天发生的“股市崩盘,”模型也进行了极端风险警告。FCM和款仍然敏感的极端风险预警中扮演一定的角色。的危机状态,款是0.862的准确率,FCM模型是0.872。总的来说,款是0.682的准确率,和FCM是0.891。结果与理论分析得出的结论相同。款模型取得了良好的预测效果的危机状态样本,但是它产生了更多的“假警报。”也就是说,正常状态预测危机状态,和FCM模型作为一个整体表现良好,但不够敏感的危机状态。综合比较,款和FCM极端风险预警模型取得了较好的预测结果。 Each model has advantages and disadvantages and to a certain extent has complementary effects. However, the FCM extreme risk early warning model performs better than the DNN model. The performance comparison of extreme risk early warning models is shown in Figure9。

上部隐蔽风险测量值输出的三个股票预测模型在95%置信水平是如图10VAR, ES, TDRM(尾扭曲当风险厌恶系数γ风险= 0.5)。从图10,TDRM > > VAR显示,当尾部风险权重高,风险厌恶程度增强,风险管理或投资组合策略基于TDRM测量值是谨慎和保守。

4所示。讨论

全面审查后的量化选股模型,本文提出了一种新的量化选股模型,优化预测因素和财务因素的权重通过FCM在前面的步骤。这样做允许权重的优化和相应的各种因素。每个股票评估值的线性组合。高分选择股票和大盘的投资。我们的分析表明,该模型可以作为一种有效的工具来投资股票和获得大量的市场回报。其收入远远高于市场平均性能(所有股票的平均收益率)和一个股指数。同时,构造预测指标的权重系数高于大多数金融因素。这表明预测因素对多因素选股模型有很大的影响和发挥积极作用24]。

通过研究人工智能方法应用于股票投资,我们发现人工智能方法,近年来出现了传统股票投资方法无可比拟的优势。应用在股票投资领域的前景也很乐观。证券模型形式现代证券投资理论研究的基础上,但这三个模型意味着有效市场假设,导致其效率低下的市场应用价值大大降低。然而,他们的理论方法和组合投资策略在分析影响股票收益的因素为股票价值投资提供了坚实的基础。股票交易价格信息识别可能的股票回报率超过了市场利率,并使用遗传算法来选择股票构建投资组合;股票价格信息还评估算法的实际效果在选择股票组合的评价(25]。

至于金融上市公司的基本信息,包含的信息量很大,这主要是包含关系或强之间的相关性信息。有效地使用这些信息在价值投资的做法,使用科学的方法来处理大量的信息,然后挖掘股票价值投资决策所需的关键信息是必要的(26]。

价值投资理论的应用在股票市场并不是一个绝对可以或绝对不是问题,但问题的适用性,即投资水平的性能和如何使用它。因此,是否可以丰富和发展了传统的价值投资理论结合股票市场解决的阶段特征的适用性股市的价值投资是成功或失败的关键价值投资理论在股票市场。

价值投资是一个广泛的概念,但该股投资价值投资理念的指导下具体。它需要深入挖掘价值信息,财务信息。一个企业的内在价值应该是所有红利的现值,投资者可以获得。模糊模型的方法主要是基于专家经验或统计方法建立模糊模型预测。很多公司已经建立了一个评价指标体系对上市公司的投资价值,和评价角度相对一致。评估结果测试或其可信度很低。因此,该方法的适用性在股票投资价值评价仍然是有争议的。股票投资通常包括两个内容:股票选择和投资组合结构。后的选择股票投资价值通过科学方法,使用组合投资分散投资风险,实现投资低风险相对较高的水平。组合投资也是股票投资的一个重要研究内容。

我们建议使用人工智能方法设计股票价值投资方法适用于股票市场。股市的价值投资方法是选择和提取特征值根据股票投资选股模型的过程中,构建选股模型,优化股票投资组合,开发组合解决方案方法和其他方面。盈利能力、发展能力、股东盈利能力,偿债能力和操作能力的上市公司是一体的独立和补充。股票投资者最直接关心的盈利能力,发展能力,股东的上市公司的盈利能力。上市公司的偿债能力和运营能力是保证公司利润的基础,股东的利润,和投资的安全。因此,全面掌握这五个方面的前提和保证股票价值投资者的盈利能力(27]。

5。结论

本研究分析预测因素和发现FCM用来预测股票收益时,预测结果有优势在定向精度,预测精度和运行时间。因此,当使用FCM选择股票获得的预测因素,提高了投资回报率。选股的回归模型,只考虑经济因素,比这小得多的选股模型,考虑金融和预测因素,提出多因素选股模型预测因素的重要性。FCM发挥更突出的作用在多因素的优化比选股模型GA款。当多空策略投资组合收入,优化目标设置为选股模型在测试期间可以达到更好的结果。最后,机器学习是用于时间序列预测,以便所有指标预测。智能优化计算也用于股票选择研究。本研究将探讨在未来这些有趣的问题。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

本研究由澳门基金会(不支持。MF2012)和中国国家重点研发项目(2020号yfb806504)。