长期和短期记忆方法在股票选择与投资组合优化中的应用——研究论文。

简介：
在本文中，我们详细阐述了如何运用长短期记忆 (LSTM) 类神经网络，以进行股票选择以及构建更为优化的投资组合。具体而言，我们利用 LSTM 网络来预测股票价格的波动趋势和相关的价格代理指标，并将这些预测结果应用于股票筛选过程，同时进一步融入到 Markowitz 均值方差投资组合优化框架中。为了实现这一目标，我们构建了四种类型的 LSTM 模型：个体模型和集合模型，并分别采用批量学习和增量学习方法进行训练。在投资组合优化阶段，我们充分利用了选定股票中股票运动方向分类的准确性作为关键指标。此外，我们进一步扩展了标准的 Markowitz 公式，构建了包含多样化策略和卖空策略的变体。为了更全面地评估风险水平，我们还建议采用 LSTM 分类精度的补充指标，以替代传统 Markowitz 框架中使用的协方差矩阵。上述 LSTM 模型构建以及投资组合优化公式类型的各种组合结果，均针对 SENSEX 指数和标准最优 Markowitz 投资组合进行了基准测试，且未包含任何股票选择环节。最后，我们还推导出了在股票价格预测因子比平均股票价格更准确的情况下，基于 Markowitz 公式构建的投资组合优于标准 Markowitz 公式条件的结论。