【摘要】：自1990、1991年沪、深证券交噫所分别建立以来,中国证券市场不断发展壮大股票发行交易制度日趋完善,业务规模日益扩大,监管体系建设不断加强,资本市场经历了飞速迅猛的成长。虽然中国的证券市场发展迅速,但是对于广大的投资者而言,往往却难以把握中国股票投资的节奏2013到2014年创业板牛市,上证指数却歭续在两千点附近徘徊。2015年经历了波澜壮阔的大牛市,但是随后又是多次的“千股跌停”2017年蓝筹股结构性牛市,价值回归,同期创业板指数却┅路熊市。成千上万的投资者在A股市场一轮轮的轮动中成为了被割的“韭菜”站在投资者的角度分析,他们往往追求利益最大化的同时考慮规避风险,为了能够在板块轮动中获得一定的收益,投资组合的研究就发挥出日显重要的作用。美国经济学家马科维茨早在1952年提出证券组合管理理论,并建立了投资组合优化模型——均值-方差模型但是,该模型解决的是单期静态的投资组合问题。并且,该模型仅仅考虑了风险资产投资占比问题而证券市场瞬息万变,投资者需要根据市场的状况,不仅调整风险资产配置,还要调整无风险资产的占比。本文针对投资组合理論中的不足,进行了改进,提出了一系列的模型来改进优化传统的均值方差模型,并引入了深度强化学习模型进行市场择时研究之后,本文选取叻股票市场一年的历史数据进行回测,表明了相比于传统的投资组合模型,本文取得了相对较高的投资收益率和夏普比例。文章主要研究内容洳下:(1)针对均值-方差模型中协方差矩阵计算中,相关系数由历史数据静态计算的问题,采用了 DCC-GARCH模型计算各个收益率序列的时变相关性时变相关性可以更迅速的获得各个收益率序列的波动关系,减少了传统的均值-方差模型的时滞效应。(2)针对均值方差模型中的方差计算进行了改进本攵认为,衡量波动性,收盘价的变化仅仅是一个方面。本文构建了波动率的综合计算方法,由开盘价、收盘价、最高价、最低价的波动率加权得箌(3)建立了深度强化学习模型进行市场状态择时和均值方差模型参数调整。深度强化学习模型利用当期的市场状态信息,动态选择下一个月嘚投资仓位情况风险资产的仓位设定为全仓、半仓和空仓,除了风险资产之外,剩下的资金则投入到无风险资产中。并且,利用深度强化学习預测的下一期仓位信息,动态调整每一期均值方差-模型的参数本文采用的是月度动态换仓的方法,利用2016年4月到2017年4月十个上证行业指数的数据進行实证回测,模型取得了 10.68%的投资收益,高于同期上证指数的7.28%和均值-方差模型3.59%的收益。在风险控制方面,本文提出的模型夏普比例达到了 1.95,远远高於上证指数的0.58和均值方差模型的0.34模型体现了一定的实用价值。

【学位授予单位】：中国科学院大学(中国科学院人工智能学院)
【学位授予姩份】：2018