股票涨跌判断策略分析论文

摘要：股票收盘价的涨跌受到多方面的影响，针对传统单一的算法难以准确预测收盘价，而CNN-LSTM和GBDT为神经网络模型和决策树算法中的杰出代表。今天小编为大家精心挑选了关于《股票涨跌判断策略分析论文(精选3篇)》，仅供参考，大家一起来看看吧。

股票涨跌判断策略分析论文 篇1：

股票技术指标的有效性研究

摘要：利用聚类分析对10项技术指标进行分类，然后从各个大类中分别找出具体技术指标利用决策树模型对其进行判别决策，发现技术指标确实对预测股票交易涨跌有一定的指导作用。

关键词：技术指标；聚类分析；决策树

一.引言

股市是市场经济的必然产物，在一个国家的金融领域中有着举足轻重的地位，且对人们的经济生活有着越来越深刻的影响。股市的涨跌对金融市场会产生很大的震荡，直接影响金融市场的健康发展。

传统的股票市场价格行为的研究主要是基于模型方法进行的，但股市的随机性较强，结果往往不准确。而数据挖掘工具的发展，成为研究股市有效的手段。

二.理论基础

1.技术分析理论

技术分析通过统计图表和技术指标，对证券市场过去和现在的行为进行研究，从而预测股票价格将来的走势情况，其技术指标是由股票收盘价、成交量等计算而来的。

2.技术指标理论

2.1指标选取原则

投资者利用技术指标对股市进行决策时，过多或过少的指标选择都会对决策造成影响，因此如何选择指标呢？认为在选择技术指标时应遵循综合性与系统性原则、科学性原则、可操作性原则、组合使用原则。

2.2技术指标

从已有指标看，从不同角度出发构造了技术指标，本文利用平均趋向指数（ADX）、相对强弱指标（RSI）、三重指数平滑平均线（TRIYO、能量潮指标（OBV）、顺势指标（CII）、变动率指标（ROC）、威廉指标（WR）、抛物线指标（SAR）、简易波动指标CEMV）、钱德动量摆动指标（CMO）这10个指标。

三.实证分析

3.1数据收集

选取2010年6月1日至2016年6月1日的中国建设银行和中国工商银行的股票数据进行分析。

3.2银行股票数据趋势分析

建设银行的股票价格在研究期间内在不断波动，2014年6月份之后，股价忽然上升，此后迅速下降，不断起伏。

工商银行的股票价格波动趋势与建设银行的波动趋势基本一致，但工商銀行的股票价格波动的点相对更多一些。

3.3技术指标的选取

利用多技术指标对股价走势进行判断可以较为准确的做出决策，那么怎样选用恰当数量的指标？首先对指标进行聚类分析。

由聚类分析的性质可知，同一个大类中，指标预测结果相似度较高，故投资者可从大类中选择重要的一两个指标进行研判，这样即使使用了较少的技术指标，也涵盖了不同类型的指标。

3.4模型构建

决策树分析法是分类分析法中具有代表性的分析方法。将股票价格收盘价大于前一日收盘价时，用1代表股价上涨；股票价格低于前一日时，用O代表股票下跌，并命名为T。

根据聚类分析的结果，构建两个决策树构建股票交易策略，由于版面限制，本文仅列出策略1：

策略1：

在策略1中，技术指标CCI、OBV、WR指标作为解释变量，股票涨跌分类变量T作为被解释变量作决策树分析，经过剪枝如图所示，当wr小于0.89且大于0.18时股票会上涨，同时如果此时在cd大于62的情况下，wr小于0.28，股

在策略2中，RSI、ADX、OBV、SAP，技术指标作为解释变量，股票涨跌分类变量T作为被解释变量作决策树分析，经过剪枝如图所示，当rsi大于48且adx小于17时，股票会上涨。而当adx大于17但rsi大于大于64时，股票会上涨。

四.总结

本文通过數据挖掘技术对上市银行的技术指标进行分析，建立了股票决策模型，并分析了不同情况下的股票决策。首先利用聚类分析对指标进行相似性归类，然后利用C5.0进行决策树模型构建，一定程度上提高了决策的准确性。

分类模型为投资者提供了一种利用多种指标进行预测的分析模式，聚类分析旨在为投资者找出了不同重要级别的组合指标；在实际的操作中，两个模型综合起来，可以帮助投资者有效地利用证券指标信息。

作者：王晓洁 张鑫

股票涨跌判断策略分析论文 篇2：

基于组合模型的股票收盘价短期预测方法

摘 要：股票收盘价的涨跌受到多方面的影响，针对传统单一的算法难以准确预测收盘价，而CNN-LSTM和GBDT为神经网络模型和决策树算法中的杰出代表。设计基于卷积神经网络（Convolutional Neural Network，CNN）、長短时记忆神经网络（Long Short-Term Memory，LSTM）、梯度提升决策树（GradientBoostingDecisionTree，GBDT）、CNN-LSTM的组合预测模型，通过Python对上证指数进行实例验证以及与各单项预测模型比较得出，组合预测方法正确预测收盘价涨跌的比例远高于单项预测模型，其正确预测的比例达到了94.33%，在其他误差标准上，组合模型也有一定的优势。

关键词：收盘价短期预测;灰色关联;DBSCAN聚类;CNN-LSTM模型;BP组合模型;GBDT模型

引言

在股票市场中利用量价关系可以推测股价的走势，近年来股票的涨跌也越来越受到人们的关注，所以精准预测股票走势无疑是一个很重要的问题。根据近些年来金融工作者的反复研究，发现精准预测收盘价对判断股票的走势有指导性作用[1]。

收盘价既是股票交易的暂时终点也很可能是新的价格变动的开端，因此它对预测股票变化趋势有重要意义[2]。

苏适等（2017）[3]和金之榆等（2019）[4]介绍了异常值的数据处理方法，认为可以使用DBSCAN聚类的方法来筛选异常值。孙丽洁（2020）[5]和马煜等（2020）[6]使用灰色关联度来判断非线性各指标之间的关系，同时选用关联度较高的指标作为重点研究对象。勾玄等（2020）[7]和欧阳红兵等（2020）[8]提出使用神经网络模型来预测股票收盘价，尤其是CNN和LSTM模型在预测中有良好的效果。刘月峰等（2020）[9]使用CNN-LSTM模型来对电力负荷值进行预测，本文也尝试用此模型对次日股票收盘价进行预测。兰筱莉（2018）[10]使用GBDT模型对股票收盘价进行预测，进而选出盈利可能性更大的股票。张晨等（2019）[11]提出，利用集成模型进行预测。邓云涛等（2020）[12]指出，组合模型可以更好地对目标值进行预测。范中洲等（2020）[13]使用BP神经网络确定各指标的权重，将各个指标更好地组合在一起，本文参考用此方式来提高对股票涨跌预测的准确率。使用BP神经网络可以通过反向传播算法调节神经网络各层的权重系数，一旦有新的数据出现也可再次调整权重系数，从而寻找最优值。

股票市场的涨跌受多方面的影响，其收盘价的变化规律受多种因素影响，许多单一的方法难以胜任对股票涨跌的预测。相对而言，组合预测方法将两种或多种方法结合在一起，使用权重系数将各种方法联结在一起，能够起到更加精准预测的效果。

在单项预测模型的选择上，本文考虑到CNN-LSTM模型结合了CNN和LSTM的优点，很大程度上克服了输入序列长度过长而导致的梯度消失的现象。此外，决策树集成模型学习能力强，泛化能力好，GBDT模型是决策树集成模型的典型代表。所以，本文选用上述模型作为单项预测模型。

本文使用网易财经的股票数据，研究基于BP神经网络确定权重的组合预测方法，并以上证指数为例进行实证研究，希望提出一种可以准确预测股票收盘价涨跌的方法。

一、单项预测模型介绍

（一）CNN-LSTM模型

CNN-LSTM模型对股票收盘价进行预测的过程中，首先利用CNN提取数据特征，消除噪声并寻找不同维度数据之间的关系。然后将CNN处理后的信息导入LSTM网络。LSTM可以学习时序之间的特征，从而在很大程度上解决了LSTM间隔时间较长而忽略相关信息的劣势[3]，具体算法流程如下页图1所示。

CNN-LSTM计算步骤：

第一步，将经过数据预处理的数据输入卷积神经网络。第二步，卷积层中的卷积核负责提取数据特征，池化层通过过滤不重要信息，加强重要信息。第三步，经过Flatten层，将经过卷积层和池化层处理的数据构造为特征向量形式输入LSTM层。第四步，LSTM层可以学习时间序列之间的关联，学习特征内部的变化规律。第五步，Dense层负责进一步学习数据中隐含的特征，起到加强学习的作用。第六步，Dropout降低过拟合。

由于CNN、LSTM算法为CNN-LSTM模型的一部分，所以下文不再对CNN、LSTM模型的细节做过多叙述。

（二）GBDT模型

GBDT是一种基于Boosting提升树的算法。Boosting 思想是在刚刚建立决策树的时候每个样本的权重都一样，在前一棵树学习完毕之后，后面的决策树根据前面树学习的误差来调整自身的权重。从而将重点集中在残差较大的决策树[17]。GBDT在Boosting上加入了梯度下降运算，每一次建立决策树都在前一个决策树的梯度下降方向，从而更好地利用前者的信息。

GBDT 算法流程：

设前一轮计算得到的决策树是ft-1（x），损失函数：

L（y，ft-1（x））

式中，x为输入值，y为真实值，ft-1（x）为模型预测函数。

损失函数的负梯度如式（1）所示：

得到本轮损失函数：

L（y，ft（x））=L（y，ft-1（x）+ht（x））（2）

结果为弱回归树。

求出使得损失函数最小的输出值cij：

得到了本轮的决策树拟合函数如下：

E为单位矩阵。

本轮得到的强回归树为：

GBDT模型的流程如图2所示。

（三）BP组合模型

BP神经网络（BP Neural Network）由三部分组成，分别是输入层、隐含层和输出层。设输入层包括m个节点，设其輸入向量为（x1，x2，……xm）T，其隐含层包含k个节点，其输出变量为（y1，y2……yk）T。其中，输入层和隐含层的权重用矩阵A表示，A=（aij）m×k。隐含层和输出层的权重用矩阵B表示，B=（bij）k×n。因为是预测模型，所以输出层只有一个神经元。设经过BP神经网络计算输出的向量为D=（d1，d2，……dn）T，真实值为Z=（z1，z2，……zn）T。

隐含层输出如式（6）所示：

输出层输出如式（7）所示：

1.计算误差。设神经网络某一个神经元的输出值和真实值的误差为Ei：

总误差：

2.反向传播。反向传播是由输出层输出d与真实值o相比较得到的误差信号？啄0，以上述的误差对各层的连接权进行调整[8];误差信号？啄0反向传至隐含层，得到隐含层的误差信号？啄yj，由此对输入层与隐含层间的连接权进行调整。计算公式如式（10）至式（12）所示：

zj（t）=zj（t-1）zj（t）=zj（t-1）（12）

本文将CNN-LSTM、CNN、LSTM、GBDT方法的预测值作为输入变量输入至BP神经网络，最终经过运算得到了预测值。

二、算例分析

（一）误差标准

在对于上证指数的次日收盘价预测中，一共使用有效数据1 457条，将前1 200条数据作为训练集，时间跨度为2014年1月2日至2018年12月28日，其余为测试集，时间跨度为2019年1月2日至12月30日，使用平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）和均方根误差（Root Mean Square Error，RMSE）、均方误差（Mean-Square Error，MSE）来测评模型预测的误差。其表达式如式（13）至式（15）所示：

其中，N表示样本数量，yi表示股票第i日收盘价的实际值，i表示股票第i日收盘价的预测值。除了上述三种误差外，再增加预测涨跌的准确率。对于预测收盘价的涨跌是否准确地计算，是用后一天的收盘价减去前一天的收盘价与模型的预测值减去前一天的收盘价对比，若符号相同则认为正确地预测了涨跌，最后用符号相同的个数除以总个数即为结果。

（二）数据预处理

1.异常值处理。异常值的存在很大程度上影响了预测的效果。本节采用DBSCAN算法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）对异常值进行检测。本节使用的数据为2014年1月2日至2019年12月31日的数据，总共有1 463条数据。

DBSCAN 算法中有两个重要参数：Eps 和 MmPtS。Eps是划分一定密度点所需要的半径，MmPts 为阈值[9]。

本节运用python中sklearn库进行DBSCAN算法运算。在此运算过程中，模型参数的设定是聚类中极其重要的一步。经过仔细调试，确定参数分别设置为eps=1.0，min_samples=5。

经过DBSCAN聚类处理，将异常值标注为-1，共筛选出6条异常值数据。由于一共存在14个指标，所以无法使用图像直观地进行观察，经过处理之后的有效数据总共1 457条数据。

2.灰色关联分析。在本案例分析中，对于本文初步选取能够量化的几个指标进行分析，包括前一交易日的最高价、最低价、开盘价、收盘价、涨跌额、涨跌幅、成交量、成交金额作为当日股票收盘价的影响指标。由于上述影响指标过多，在进行下文训练分析时效率过低，本案例将对其进行筛选。

指标筛选的方法有很多，如Person相关系数、灰色关联度（Grey Relation）等，对于本案例所研究的数据而言，指标对于收盘价的影响大都是非线性的。因此，选择灰色关联度[11]作为筛选指标的方法。

从表1可以看出，这9个指标与上证指数下一个交易日收盘价的灰色关联度。为了使得计算快捷，本文选择关联度大于0.9的指标。故本文选择最高价、最低价、开盘价、收盘价、总市值、流通市值这6个指标作为单项预测模型的输入样本，预测上证指数下一日收盘价。

（三）预测收盘价

1.CNN-LSTM模型。在本节预测次日上证指数收盘价的过程中，设置三层CNN层，其中卷积核设定为20个，stride=1;设置两层LSTM层每层设定20个神经元;使用两层Dense层，神经元数量设置为16个。训练次数设定为1 000次，batch_size=1 200，输出结果如下页图4所示。

虽然从图4看出预测值对于真实值的拟合情况很好，但是对于次日涨跌预测的准确率只有56.65%，这是由于影响股票涨跌的因素有很多，包括线性因素和非线性因素，所以单独的一个模型并不能完好地反映所有影响收盘价涨跌的因素。

2.GBDT模型。在参数设置中，设置n_estimators=100，min_samples_split=2，min_samples_leaf=1，从而得到结果如图5所示。由图5可知，在前40个数据的预测中，由于收盘价持续走低，造成了GBDT预测不准确的现象，而且在训练集中的2015年收盘价持续升高，这也造成了测试集中收盘价走低过程中预测不准的现象。

从表2可以看出，单项预测模型对于股票涨跌的预测并不好，这是由于影响股票涨跌的因素有很多，包括线性因素和非线性因素，所以单独的一个模型并不能完好地反映所有影响收盘价涨跌的因素[19]，因此需要综合这几种算法[12]，此处引入组合模型，而组合预测方法最重要的是确定几种单项预测模型的权重。

3.BP组合模型。本节使用CNN-LSTM、GBDT、CNN、LSTM四种算法对于2017年9月7日至2019年12月30日收盘价的预测值为输入变量，2017年9月7日至2019年12月30日的真实收盘价作为期望输出值。同前文划分训练集和测试集类似，将2017年9月7日至2018年12月28日的数据作为训练集，2019年1月2日至12月30日的数据作为测试集。在训练过程中即确定了神经网络各层的权重系数，并在测试集中进行验证[14～16]。

本文采用固定参数法[18]来调节模型参数，下面以BP神经网络中的训练次数和batch_size为例来确定BP组合模型的最优参数。以下给出参数变化和MAPE的关系图。

从图6可知，应设置2层隐藏层，每层神经元设定10个神经元，训练次数定为1 000次，batch_size=500。

从表3得知，组合模型在预测涨跌的准确率方面比CNN-LSTM、CNN、LSTM、GBDT增加了37.68%、41.1%、43.38%、37.68%。同时在其他的误差标准上，组合模型也具有一定优势。

结语

本文采用BP神经网络确定权重，将CNN-LSTM、CNN、LSTM、GBDT四种算法组合在一起[20]，通过分析上证指数数据进行实例分析。从前面的分析可见，组合预测对上证指数收盘价的几个峰值的预测效果都比较好，特别在预测涨跌方面的准确率，准确率达到了94.33%。本文暂时并未给出经过精准预测之后选择股票的策略，不过显然精准预测收盘价对于后期选股有着十分重要的意义，本文提出的方法也有着很大的应用潜力。

参考文献：

[1]  范高乐.我国不同股票指数的风险及绩效评估[J].技术经济与管理研究，2020，（4）：112-116.

[2]  孙德山，任靓.基于主成分分析和递归神经网络的短期股票指数预测[J].辽宁师范大学学报：自然科学版，2019，（3）：301-306.

[3]  苏适，周立栋，万筱钟，陆海，严玉廷，王飞.计及气象因素的用电负荷短期分时分类预测模型与方法[J].电力建设，2017，（10）：76-83.

[4]  金之榆，王毛毛，史会磊.基于DBSCAN和改进K-means聚类算法的电力负荷聚类研究[J].东北电力技术，2019，（6）：10-14.

[5]  孙丽洁.基于熵权—灰色关联分析的电动汽车充电基础设施PPP项目风险评价研究[J].上海节能，2020，（4）：285-292.

[6]  马煜，黄哲洙，钟丽波，李然，杨宁.基于CNN和SVR相结合的电力负荷预测分析[J].东北电力技术，2020，（2）：37-41.

[7]  勾玄，肖先勇.基于经验模式分解与LSTM神经网络的短期电价预测模型[J].西安理工大学学报，2020，（5）：1-8.

[8]  欧阳红兵，黄亢，闫洪举.基于LSTM神经网络的金融时间序列预测[J].中国管理科学，2020，（4）：27-35.

[9]  刘月峰，杨宇慧.基于CNN-LSTM的短期电力负荷预测研究[J].科技创新与应用，2020，（18）：84-85.

[10]  兰筱莉.基于GBDT等机器学习算法的新股量化策略研究[D].成都：西南财经大学，2018.

[11]  张晨，邱彤.基于决策树集成模型的加油站销量预测[J].计算机与应用化学，2019，（6）：615-619.

[12]  邓云涛，张文君，周文韬，刘祥龙.基于AHP-PCA的熵组合权重的居民点用地适宜性评价——以内江市为例[J].西南科技大学学报，2020，（1）：45-50.

[13]  范中洲，赵羿，周宁，赵冲，张文烨.基于灰色BP神经网络组合模型的水上交通事故数预测[J].安全与环境学报，2020，（3）：857-861.

[14]  吴京龙.基于灰色关联度的GM（1，1）-BP神经网络组合模型研究[J].重庆理工大学学报：自然科学版，2019，（11）：207-210.

[15]  陈芳，张迪，卫微，郭娜.基于ARIMA和BP神经网络的民航事故征候率预测[J].安全与环境学报，2019，（6）.

[16]  闫鹏洋，王利宁，郭培文，刘涛.基于组合赋权的遗传算法优化BP神经网络岩爆预测研究[J].广东土木与建筑，2019，（10）：66-70.

[17]  林慧煜.对上证指数收盘价预测的方案策划[D].上海：上海师范大学，2019.

[18]  杨红军，王胜辉，李潇潇.基于最优加权组合模型的光伏出力预测[J].沈阳工程学院学报：自然科学版，2019，（4）：300-305.

[19]  林娜娜，秦江涛.基于随机森林的A股股票涨跌预测研究[J].上海理工大学学报，2018，（3）：267-273+301.

[20]  周俊峰，胡诗尧，安佳坤，韩璟琳，贺春光，马国真.基于熵權法和灰色关联度的中压配电网供电水平关键性指标研究[J].科技通报，2019，（12）：101-104.

Short Term Forecasting Method of Stock Closing Price Based on Combination Model

WEI Jian1，ZHAO Hong-tao1，LIU Dun-nan2

（1.School of Mathematics and Physics，North China Electric Power University，Beijing 102206，China;

2.School of Economics and Management，North China Electric Power University，Beijing 102206，China）

Key words：short term forecast of closing price;grey relation;DBSCAN clustering;CNN-LSTM model;BP combination model;GBDT model

作者：魏健 赵红涛 刘敦楠

股票涨跌判断策略分析论文 篇3：

量化策略在A股市场的机遇与挑战

摘要：文章通过对国内外学者研究量化策略的整理，分析了量化策略在我国A股市场中的应用，同时分析了传统的投资与量化投资策略的区别，探讨了量化策略在我国A股市场的机遇与挑战。最后结合我国实际情况，提出量化策略在A股市场中的改进与建议。

关键词：量化策略；A股市场；量化投资

量化策略又称为量化投资策略，是把计算机技术和数学模型相结合的方法，在大量的数据中来寻找一种能获得投资回报的策略，并按照该策略来进行投资。

量化策略是一种主动的策略方案，主要源于进行正确的投资理念，分析市场中的各种风险和因素，以多层次、多角度的视角来分析出正确的投资机会，使得在A股市场的运用更具有优势。量化策略是以量化分析模型为基础来得出最优路径的一种投资策略，而量化分析模型是一种需要经过一系列复杂进行改进的分析工具，并且这些模型要求投资者有一定的思想和经验支撑。

近些年，我国A股市场取得了巨大的发展，越来越多的投资者选择将闲置资金投入到股市之中。由于量化策略通常可以给投资者带来一定的正效用，投资者们逐渐将其关注重心集中到了该领域。尽管量化策略在A股市场有着很多的机遇，但是由于量化策略才刚刚开始在我国A股市場兴起。由于起步较晚，国内A股市场在缓慢发展的同时出现了许多问题。各种理性和非理性因素的影响，也严重制约了量化策略在A股市场上的发展。但总的来说，虽然中国的量化策略有些不成熟，但国内量化策略方法的使用大体与我国A股市场的发展大致保持一致。

一、文献回顾

Black和 Schols 建立的期权定价模型进一步完善了金融市场的相关理论，促使世界金融业取得了蓬勃的发展。Peter A.Ammermann阐述了如何使用打分回归的方法构建股票投资组、利用 VWAP 策[3]。Maza Solano在发表的论文中指出多因子选股模型应用于量化投资的方法，是通过规定建立因子模型，然后按照该模型中的因子进行选股投资的一种方法。Akeaki Kariya在一篇论文中阐述了GARP 策略在量化投资中的应用。GARP选股策略即成长价值策略，是以最低的价值性选股来换取成长性最好的选股。基于国内A股市场的历史数据，刘毅对影响股票收益率的四类因素：成长因素，估值因素，质量因素以及动量因素。以多因素选股模型在中国A股市场的运用找出超额收益α。同时构建了价值、成长组合进行了实证研究。研究表明，最优因素组合相对于其他几种投资策略，在超额收益、各种市场环境下、对股票的区分度方面都有更好的表现。

二、量化策略在A股市场的应用

（一）A 股市场持续的扩大发展，企业上市猛增

截至目前，沪深两市已有3500多家上市企业，其中超100亿的就有40多家，总值达到了55万亿。市场的这种飞速增长，使传统投资面临着巨大的困难和挑战。因为量化策略在中国的起步较晚，所以有许多的投资者对量化策略是处于不太懂的阶段。而随着A股市场的持续扩大发展，企业上市的猛增，投资者要想获得最大的利益，就更加的需要掌握量化策略方法，投资者首先需要了解量化策略是以计算机来分析大量的数据，从中找到能带来巨大收益的路径，并以此来制定正确的策略，按此策略执行来进行合理的投资，从而得到最大的回报。所以量化策略在A股市场将会得到很好的应用，也将在A股市场得到不断的完善，最终也将促进我国A股市场的发展。

（二）机构投资人数不断增多

有关炒股使人一夜致富的传闻在日常生活中屡见不鲜，这使得许多对股票一无所知的投资者盲目的将闲置资金投入到了股票市场，在我国股票市场掀起了一股投资热。然而股票市场风云莫测，由于个股的分化不断加剧，单靠个人投资很难有效的规避A股市场中所存在的风险及预防这些风险的发生。在这种背景下，共同基金应运而生。所谓共同基金是指投资者将闲散资金交于专业的基金管理团队进行理财，继而达到分散风险和取得投资收益的双重目的。共同基金在这种环境下不断的发展，在A股市场占据着越来越重要的位置。在我国，A股市场中的专业的基金管理机构已达到了80多家，其管理的基金数也突破了1000。而这些机构也主要是采用量化策略方法，来指导投资者进行投资的，截止到目前，各类基金机构投资者持有流通市值的比例达到了50%，机构投资者也开始慢慢在A股市场中占领着一定地位。

（三）一致预期数据应用更广

一致预期数据对于投资者来说是非常重要的，投资者选择一股能带来高的利润股票时应该要更加在意股票的实际利润与预期利润增长之间的区别。实践证明，股票市场一般都会更注重未来有高收益预期的股票，提升个股或行业的价值水平。所以，一致预期数据是挖掘高利润股票的有利工具。在A股市场中，有许多的专业人员会对上市公司进行研究分析预测，随着上市公司、券商机构的数量的增加，专业人员所获得的数据得到大量的提高。因此，他们对股票预测的正确率也得到了提高，投资者通过各种渠道获取市场对股票盈利预测等数据，为投资者进行量化策略分析提供了基础。因此，投资者运用分析一致预期数据能购较好的掌握投资市场的方向，从而获得高的回报。

总之，随着A股市场持续的扩大发展、企业上市率的猛增、机构投资者的增加、一致预期数据的广泛应用，量化策略在A股市场正在不断的成熟发展，相信量化策略在不久的将来会成为投资者手中的利刃。

三、传统投资与量化投资的比较分析

（一）传统投资的缺点

传统投资策略主要是以主动投资为主，主动投资一般包括量化投资策略与传统投资策略，实行主动投资策略的投资者希望能战胜市场基线，从而获得超额的收益，但在现实中，一般很难达到投资者们所期望的高度。同时这种结果也说明了市场是不可被战胜的，我们也发现了传统投资战略自身内在的不足主要体现在如下几个方面：1.人的大脑没有得到完全的开发，其处理信息、分析数据的能力有限，因此很难把传统的主动投资策略完全应用于实践。2.每个投资者所掌握的知识程度不一样，对事物的认知也不一样，这些都会对传统的投资策略在投资中的应用造成偏差。3.在实际的投资中风险是长期存在的，但风险是可控的，相比较传统投资策略，量化投资策略更注重投资组合和投资中的风险控制。

（二）量化投资的优点

量化投资与传统投资的不同点在于量化投资是通过数据分析、规则、指标等更科学的方法来选择公司进行投标的，而传统的投资主要是对公司进行调研来判断是否符合投资条件，这有很大一部分是存在人为的主观判断的。量化投资主要优点有：1.量化投资的纪律性强，其是依据投资模型进行分析，严格执行分析的结果，而没有人为主观因素的影响。2.量化投资具有系统性，它是通过多层次、多角度、多方面再结合大量的数据进行处理分析得出更多的机会。3.量化投资的及时性主要体现在能实时跟进市场的变动，从而来及时调整策略。4.量化投资的准确性主要是通过分析来准确的把握住市场中的投资，以获得更高的回报。5.量化投资的分散性是相对风险控制来说的，主要是分散投资者在投资中所存在的风险，运用股票组合来进行投资，而不仅仅只投单只股，这样就大大分散了风险。

（三）传统策略与量化策略的对比

传统策略与量化策略的不同主要在三个方面：1.在股票选择方面，传统策略是自上而下，研究市场趋势，选择行业，再从行业中精选；自下而上，调研公司的基本面，根据盈利能力等选择优质公司。量化策略是利用数量化模型批量选择符合标准的股票。2.在投资回报收益方面，传统策略是基于市场趋势，强势行业、优质公司的选择，更多的依靠个人经验超越市场，而量化策略是依靠数量评估的基本因子来制定策略的。3.在风险可控性方面。传统策略是依靠组合中分散的投资客观上能规避一定的系统性风险，但在投资过程中由于缺乏系统监控将暴露较高风险，量化策略则是通过优化投资组合降低风险。

四、量化策略在A股市场的机遇

（一）投资者对掀开量化策略“神秘的面纱”势在必行

我国A股市场发展较晚，一些投资者对A股市场的认知不深，投资理念有待加强。量化策略也是近几年才引进到我国的，尽管我国A股市场的发展不成熟，但我国的股民队伍却是很庞大，一些投资者运用量化策略在A股市场中获得了较高的回报，其必定会使量化策略在A股市场中得到快速的发展。在A股市场中量化策略以科学理性的实证分析研究投资决策中的人为主观因素对投资风险影响程度，从而尽可能的规避风险。量化策略的应用和方法在我国A股市场中刚起步不久，竞争力较小，量化策略在这种大环境下，会有良好的发展机遇。

量化策略主要有技术型和金融型两种，技术型量化策略一般应用于期货市场，金融型量化策略一般用于股票市场，由于其所需要的数据较多，在实际应用中较少。由于金融市场的快速发展，就随之产生了很多新的金融工具，同时这些工具也不断的被引进国内，用量化策略来实现投资者的高额收益，也是合理的。其次，量化策略在国内只有小部分的机构投资者在使用，普通投资者对量化策略掀开“神秘的面纱”也是势在必行。

（二）从市场的角度来看，量化策略将会成为主流投资方法

在我国A股市场的股民正在不断的增加，市场的活力，资金链也在随之增加，个股的贡献率在下降，网络电子设备的快速发展，加快了信息的传输，仅仅依靠对股票市场的基本研究来获取高额的回报变得更加困难。这时在A股市场引进量化策略能最大程度避免非理性与不合理的投资策略造成的负面影响，量化策略通过量化模型能及时的捕捉到市场的变动，从而及时做出调整。因此，量化策略会在我国得到空前的发展。随着中国A股市场的不断发展完善，融资融券和股指期货的推出，使我国A股市场向前迈进了一大步，所以量化策略在我国将有良好的机遇。研究运用量化策略技术，将是我国A股市场投资策略的发展趋势，随着全球化的进程加快，我国A股市场也将被多元化冲击，因此，量化策略将会在世界范围内成为主流的投资方法。

量化策略在给投资者带来巨大的收益时，也会带来一定的风险，其有助证券的涨跌作用，这些将会使量化策略在A股市场上面临着挑战。

五、量化策略在A股市场的挑战

量化策略在A股市场主要主要的风险有：1.技术方面风险。量化策略主要是运用计算机技术对大量的数据进行分析研究，因此它对设备和专业技术的依赖性高，特别是软件，往往一个小的漏洞会带来巨大的损失。2.策略模型风险。在进行量化策略模型的设计时，设计者如果对模型的认知不够深，也会带来较大的风险。3.人员操作风险。投资者为了获得高额的收益，有时会采用不稳定的量化策略模型，若对该模型比较生疏，操作者往往会出现操作失误，从而带来更大风险。

在交易所方面，量化分析通過利用计算机程序自动进行计算，而交易所的高频交易会对订单处理能力带来巨大的挑战，同时，股票市场的预防机制和异常交易处理机制都需要进一步完善。在市场变动方面，部分证券公司在管理方面存在较大缺陷，内部风险控制比较薄弱，在交易方面容易出现同质化，在同一时间大量相似的交易订单容易导致市场的波动。在市场监管方面，量化策略往往采用的模型比较复杂，要对其有效监管就需要监管人员具有较高的专业知识。

六、建议与结论

量化策略在A股市场兴起不久，对投资者来说量化策略是更加有效获得高额回报、规避风险的一种新兴方法，因此大力培养该市场是大势所趋，要将量化策略在风险控制、最优的投资路径、有效定价等技术手段和价值理念，传播给更多的投资者。量化策略使市场的流动性更加趋于稳定、波动性下降、市场质量得到有效提高。虽然在量化策略引进的同时，我国出台了一些针对量化交易的监管措施，但仍有不足，本文提出以下建议：1.对量化策略应要进行分层监管，量化策略交易范围比较广泛，不能一刀切的监管，要根据不同的量化策略制定不同的监管措施，这样可以提高市场监管质量。2.要预防市场的反向行为，尤其量化策略在高频交易过程中会对市场结构、投资行为产生较大的压力，应要限制量化策略交易，还要鼓励普通投资者学习量化投资策略，以加强量化策略方面的专业人才。3.要加强风险控制，引进更加先进的软件、硬件技术，在策略模型设计上应要挑选具有较高专业知识的人才进行模型的把控，在人员操作上要实时进行监控，加强操作人员的培训、考核，以防止操作失误风险。

参考文献：

[1]丁鹏.量化投资策略与技术[M].电子工业出版社，2012.

[2]Berger，A.N.and Humphrey，D.B. The dominance of inefficiencies over scale and product mix economies in banking[J].Journal of Monetary Economics，2003（28）.

[3]Charnes A，Cooper W.Measuring the efficiency of decision making unites[J].European journal of Operation Research，2010（02）.

[4]Bhattacharyya，S.and Nanda，V. Client Discretion，Switching Costs and Financial Innovation[J].Review of Financial Studies，2010（13）.

[5]刘毅.因子选股模型在中国市场的实证研究[D].复旦大学，2012.

[6]吴国平，谷慎.中国股指期货和现货市场时变联动与波动溢出研究——基于 DCC-MGARC-VAR模型的实证分析[J].学术论坛，2015（10）.

[7]黄后川，陈浪南.中国股票市场波动率的高频估计与特性分析[J].经济研究2003（02）.

[8]纳兰.打开量化投资的黑箱[M].郭剑光，译.机械工业出版社，2012.

*基金项目：北京市十三五教育科学规划项目（AEGA16003）“政府购买民办培训教育服务政策研究”。

（作者单位：北京信息科技大学经济管理学院）

作者：鄂浩坤　贠晓哲　闫鹏君