[发明专利]一种基于遗传算法的量化投资的优化方法

说明书

本发明公开了一种基于遗传算法的量化投资的优化方法，其包括初始化支持向量机量化分析模型的输入数据和模型参数；采用遗传算法对输入数据和模型参数进行处理，得到最优输入数据和最优模型参数；将最优输入数据和最优模型参数输入支持向量机量化分析模型，通过该量化分析模型对股票的涨跌概率进行预测，根据预测结果选择前只股票构成投资组合；根据马科维兹算法对投资组合各股的权重进行计算，并根据资产配比得到投资组合的实际收益。本发明在降低计算成本的同时，可以达到高投资回报和低风险。

技术领域

本发明涉及金融的量化分析领域，具体涉及一种基于遗传算法的量化投资的优化方法。

背景技术

股票预测一直是金融市场研究中的热点问题，量化投资也并非最近才出现的新事物。长期以来被众多投资者所接受的是有效市场假说，但是有效市场假说仅仅是基于传统线性模型的一种假设。因为金融市场的复杂性和非线性，还受到各种政治事件、市场状况的影响。同时随着大数据与人工智能、机器学习的快速发展，许多学者们都证实了股票价格是可以预测的。这也使得许多研究人员期望提出一种最好的非线性模型来预测股价走势。

区别于定性投资，量化投资是利用数学知识及计算机技术决定交易时间、交易对象、交易金额的新型投资方式。量化投资并不寄希望于一两次的收益，而是采用长线策略获取大概率的高收益。量化投资可以和多领域进行结合，但是随着人工智能的发展，机器学习在量化投资中的应用越来越广泛。量化投资的核心是模型，通过对历史数据的建模，并且将其用在对未来市场的预测，从而形成交易策略。

股价预测是量化投资中的一个重要的方向。如果能在上涨之前买入股票，在下跌前卖出，这样投资人就可以获得高额收益，也消除了风险，当然这是理想的状态。由于金融市场十分复杂，影响其的因素众多，所以其数据噪声也很大。找到影响股价走势的因子并通过优秀的模型对股价进行正确的预测是一个非常困难的任务。在量化投资的发展历程中主要分为三种，分别是传统的技术分析、时间序列预测、数据挖掘以及机器学习。传统的技术分析现在已经无法再继续运用于拥有海量数据的市场中了。而机器学习却能很好的完成这个任务，其随着人工智能的发展而兴起，在量化投资策略的研究中具有重大的意义。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于遗传算法的量化投资的优化方法解决了对庞大和复杂的金融数据的识别学习的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于遗传算法的量化投资的优化方法，其包括以下步骤：

S1、初始化支持向量机量化分析模型的输入数据和模型参数；

S2、采用遗传算法对输入数据和模型参数进行处理，得到最优输入数据和最优模型参数；

S3、将最优输入数据和最优模型参数输入支持向量机量化分析模型，通过该量化分析模型对股票的涨跌概率进行预测，根据预测结果选择前m只股票构成投资组合；

S4、根据马科维兹算法对投资组合各股的权重进行计算，并根据资产配比得到投资组合的实际收益。

进一步地，步骤S1的具体方法包括以下子步骤：

S1-1、选取股票的相关数据作为输入数据，同时设置参数搜索范围；

S1-2、去除输入数据的空值并做标记，将输入数据分为样本内数据和样本外数据，并对所有分类后的输入数据依次进行归一化和标准化处理；其中样本内数据和样本外数据的比例为8:2。