基于深度强化学习下的股票量化交易算法设计

针对股票量化交易中有限数据预测未来价格趋势和智能资产组合配置等难题,采用DeepAR模型来预测股票价格的未来涨跌趋势,根据这些趋势计算涨跌幅精选了16支有潜力的股票,并运用SAC模型进行智能资产配置。结果表明,DeepAR模型的股票选择有助于SAC模型实现智能资产组合配置,而SAC模型的量化决策也取得了理想的效果。在4个月的时间内,实现了10.79%的收益率和32.37%的年化收益率。相较于上证指数和沪深300指数有显著的超额收益率,分别为12.47%和21.48%。此外,2016—2022年回测中达到了1.3%的夏普比率和29%的最大回撤率。     

基于分形分布的股票期权VaR计算

本文提出一种运用分形分布计算股票期权VaR的方法.首先对股票价格行为进行了理论总结和实证分析,表明采用分形分布来拟合股票的对数收益率是合理的,然后在此基础上推导股票期权VaR的计算公式,最后给出若干算例.     

组合调整频率会影响投资者的回报率么?——基于分析师股票推荐的投资策略研究

利用巨灵数据库的分析师评级数据,从投资者角度建立动态组合,检验了按每日、每周、每两周、每月、每季度头寸调整频率后的超额收益,研究发现:"买入"评级组合在各种头寸调整频率策略下都获得了超越市场指数的超额回报率,其中按每周频率进行头寸调整策略获得的市场调整后平均超额回报率最高,按三个月频率进行头寸调整策略获得的市场调整后平均超额回报率最低。投资者在面对分析师一致认为"买入"评级股票时,可按照每周更新的频率构建组合,以获取较高的超额回报率。投资者如果按季度调整频率来卖出股票可能会错失投资机会,卖掉的股票很可能会跑赢市场,投资者可按每两周或每四周的频率调整投资组合中的股票,卖出负面推荐评级"减持/卖出"股票,降低投资亏损。     

GDM在经理人股票期权计划中的应用

在实施ESO计划所需股票总数确定的前提下,根据每个受益人股票期权授予数量受多因素影响的特点,用群体决策方法进行了研究,确定了每个受益人所得股票期权的数量.     

五轴联动数控加工后置处理器的定制

对于需要4轴或5轴联动才能完成加工的零件，需要借助一些数控加工软件（如UG／CAM，Cimatron，Powermill等CAM软件）来生成用于数控加工的刀具轨迹。由于各种CAM软件产生的刀具轨迹只是刀位原文件，而不是数控程序，因此，就需要把这些刀位原文件转换成指定数控机床能执行的数控程序。后置处理器就是要根据指定机床运动结构和控制指令格式，将CAM软件产生的刀位原文件转换成机床各轴的运动数据，并按其控制指令格式进行转换，成为数控机床可识别的数控代码文件。     

MAILCM：一种基于移动代理的网络安全智能联动控制机制

为建立综合、动态、智能型的网络安全体系，实现多种安全技术的有机集成和多种安全产品之间的动态联动，提出了一种多类网络安全产品联动控制机制(Moblie agent basecl Intelligent Linkage Control Mechanism，MAILCM)．提出了动态策略更新机制。实现了策略更新的实时和各子系统的策略同步。并能对网络攻击和各种病毒等威胁网络安全的行为做出快速响应。保证各网络终端的安全。避免信息被盗取和终端机器的破坏。有效保障了网络的安全运行．     

基于动态演化博弈分析的投贷联动创新机制研究

通过一个包含股权投资公司、商业银行以及政府三方主体的动态演化博弈模型,建立了一种由政府引导的投贷联动创新机制。理想状态下,科创企业能够获得商业银行的信贷支持,非科创企业能够通过股权融资降低财务杠杆,政府则通过对投贷联动进行协调获得更高的税收与股权投资收益。研究发现,政府在进一步推动投贷联动中发挥着不可替代的重要作用,提高项目质量、提高对非科创企业的价值提升能力以及适当的政府干预是推动投贷联动顺利开展的三条重要路径。研究结论对进一步推动供给侧结构性改革,缓解科创企业融资困境,降低企业杠杆率具有一定的参考价值。     

函数值差的正和

本文给出了用有限的步骤做出有下界的振动函数的一个函数值差的正和的方法.     

基于剩余收益模型:银行股票定价的实证分析

利用会计信息对股票价值进行评估的研究是理论界一个长期关注和重视的热点,运用剩余收益模型结合杜邦财务分析体系,对上海浦东发展银行在2005年以及2006年前三个季度的股票价值进行了估计,通过与实际市场价值的比较,发现估计的股票价值与实际市场价值存在差异,但差异不大,并分析了可能产生差异的原因,最终得出该模型对股票的价值具有一定的解释和预测能力.     

时态支持向量机模型在股票操纵模式发现上的研究

基于原始时间属性下的时态数据难以发现规律的特点,文章构建了时态支持向量机模型,该模型通过对输入时态数据的粒度变换,获得多个分类模型,从而能够发现多种规律.在此基础上,结合时态型操纵特征构建了股票操纵模式发现模型,最后在证监会披露的操纵股票真实数据上进行数值实验,实验发现细时态粒度数据的分类模型在识别一般操纵和严重操纵上效果较好,粗时态粒度数据的分类模型在识别未被操纵或轻微操纵上效果较好.在未知数据集上实验,该模型可以有效识别不同程度操纵股票的模式,其中1个时态粒度数据下添加市场差异特征的模型表现最好,识别准确率达到了98.25%.文章验证了在不同时态粒度输入下,时态支持向量机模型能够发现在原始数据上不能发现的模式特征,这对解决一些复杂规律在原始特征下难以被发现的问题具有重要借鉴意义.