来源：期刊VIP网 时间：
作者：任晓萍;陈志平;
单位：西安交通大学数学与统计学院;东北石油大学数学与统计学院;
摘要：为了提高股票价指数预测的准确性、增强统计建模性能优化与股票指数特征相依的交易策略效果，提出一种将指数预测与量化交易策略有效结合的门控循环单元深度进化量化模型(GRU-DES)。首先，建立循环神经网络(RNN)、长短时记忆神经网络(LSTM)和门控循环单元网络(GRU)预测模型，分别对上海证券交易所(上证)超大盘股票指数、上证中盘股票指数和上证小盘股票指数进行预测；接着采用所提出的深度进化量化模型(DES)对三大股票指数的预测值与真实值进行回测研究，通过比较预测结果与真实结果在同一策略下的各项回测指标和交易细节等特性确定最优网络结构和策略参数，进而优化深度进化策略；最后根据优化后的策略提出了GRU-DES模型，并再次对三大股票指数进行样本外数据回测来验证模型有效性。实证回测结果表明：所提出的GRU-DES模型在各量化回测指标上较LSTM-DES模型与RNN-DES模型的预测精度均高出14%以上，有效解决了统计预测指标的随机性和过拟合的问题；根据2016年至2024年7年间数据回测，所提出的GRU-DES模型比强化学习模型在各回测指标中均展现了稳定性和有效性。
关键词：股票指数;;量化模型;;长短时记忆神经网络;;门控循环单元;;收益率
基金资助：国家重点研发计划资助项目(2022YFA1004001);; 国家自然科学基金资助项目(11991023)
