开题报告人工智能操作在证券类产品中的应用.docx

开题报告人工智能操作在证券类产品中的应用.docx

《开题报告人工智能操作在证券类产品中的应用.docx》由会员分享，可在线阅读，更多相关《开题报告人工智能操作在证券类产品中的应用.docx（8页珍藏版）》请在冰豆网上搜索。

开题报告人工智能操作在证券类产品中的应用

《人工智能操作在证券类产品中的应用》

学位论文选题和文献综述报告

一、拟定论文题目（25字以）

人工智能操作在证券类产品中的应用

二、选题的背景/来源/目的

随着证券市场的不断发展，越来越多的投资机构开始运用基于大数据的人工智能技术来从事证券投资分析研究与交易。

金融市场大数据获取的便利性也使得这一技术迅速渗透到证券投资的各个领域。

人工智能技术在证券投资领域的应用正成为下一个互联网金融的热点。

由此而产生的全新的投资策略、交易模式将会给监管层带来诸多挑战。

人工智能（AI，ArticialIntelligence）定义为从环境中接收感知信息并执行行动的智能代理（IA，IntellgentAgent）。

从外部看，每个这样的智能代理都实现了一个把感知序列映射到行动的函数集，这些函数集从外部反映了智能代理的特性。

从部看，智能代理函数集是通过运行在自身结构上的智能代理程序实现的。

目前很多投资机构开始运用基于大数据的智能代理进行证券投资。

虽然智能代理也是由程序实现的，但它构建了学习机制以及建立在其上的知识库，因此，具备了一定的学习、推理以及进行决策的能力。

资本市场本身的特性，使得证券投资智能代理面临非常复杂的任务环境，其特征表现为部分可观察、随机的、延续式的、动态的、连续的和多代理人的。

交易所高频行情数据以大概每分钟6MB的速度更新，数据的增长速度是惊人的。

计算1天的所有状态估计的计算量超过10的100次方（目前可观测到的全部宇宙的原子的数目小于10的80次方）。

因此，设计一个能够应对全部任务环境的智能代理几乎是不可能的。

目前通常的做法是给定一个具体的任务环境，然后设计开发智能代理。

由于早期的计算能力和数据有限，设计开发者的视野和认知受限，设计开发出来的证券投资智能代理大部分是简单复制某些已知的投资策略。

只是由于计算机处理的效率和没有人为因素影响，使得其能够获得比人操作更好的表现。

目前很多高频交易、量化交易都属于此类形式。

此类智能代理没有“贡献”新的认知。

随着近几年大数据技术的广泛应用，智能代理的任务环境扩展到了更宽、更深的领域。

机器学习技术的大规模应用，使得智能代理具备了超越其设计开发者的认知和视野的能力：

智能代理可以“贡献”新的认知。

证券投资领域因此将会产生革命性的变革。

三、选题的价值和意义

传统的投资策略生产模式将被颠覆，大部分分析师的工作都可以被智能代理取代，而且可能做得更好。

其次，投资策略的生产从“确定的模型”向“随机的效用”转变。

“确定的模型”是确定的事件发生时，通过模型计算，求解最优的配置资产的方案。

“随机的效用”是依据效用函数对发生的随机事件进行反应，求解最优效用资产配置方案。

机器学习的强大挖掘能力，结合大数据，将会产生更多以往无法通过经验和理论推导出来的新认知，成为新的投资策略持续生产的源泉。

而且由于速度的提高，使得投资策略的生产时间从以往的短则几天、长则几个月，缩短到可以以秒、分钟来衡量。

完全个性化的、实时的投资策略生产成为可能，每个投资者都可以按照其需求定制个性化的投资策略。

投资策略本身而不是某个证券，成为可以买卖的“产品”。

这里的投资策略指的是满足某些特定指标，具备完整操作逻辑的智能代理程序。

智能代理能够以更快的速度、更高的精度和更敏捷的反应执行交易。

“手工下单”的时代将逐渐成为历史。

一个智能代理交易程序能够轻易地同时跟踪几百只不同的证券，同时还能通过实时观察申报单的态势、高频交易数据，拟订最优交易指令，并准确无误地执行。

跨市场、跨品种的交易将能够很轻松地实现，以往“人眼盯盘、手工下单、人工查询”的交易模式将被彻底改变。

投资人可以委托自己专属的“交易机器人 ”帮助自己完成所有这些事项，他需做的事情就是给此“交易机器人”装载某个投资策略。

随着证券投资人工智能代理设计开发的普遍性、复杂性的提高，将衍生出新的业态。

比如，专门用不同测度方法对信息进行量化，并发布给特定智能代理程序的信号服务提供商；专门进行投资策略设计开发的工作室、供应商；为投资人提供智能交易代理服务的交易服务商；提供大数据服务的专业和通用的数据服务商等。

随着人工智能技术不断深入各个领域，以往看似毫不相干的领域（比如“微博”、贴吧与股票相关性、某只股票的股民的大数据等等）也会被重新考量，证券投资的生态圈将在广度和深度上扩展。

证券投资行业将涌现出大量基于“要素”的新型业态，提供更细分、更多维度和层次的服务。

基于大数据的人工智能的应用可以显著提高资本市场的深度和宽度。

基于“效用”决策的智能代理，会不断在整个“交易机会空间”中以人工操作无法想像的速度、效率和海量计算积极地搜索和学习，捕捉任何可能的交易机会。

由于各自的独立性以及路径的差异，反过来会极拓展资本市场的多层次特性。

四、文献综述

（一）文献检索主要路径：

中国知网、万方数据、维普数据、校图书馆。

文献检索途径包括以下几种：

一、著者途径；二、题名包括书名、刊名、篇名等途径。

；三、分类途径；四、主题途径；五、引文途径；六、序号途径；七、代码途径；八、专门项目途径。

（二）国外研究现状：

随着近几年大数据技术的广泛应用，智能代理的任务环境扩展到了更宽、更深的领域。

机器学习技术的大规模应用，使得智能代理具备了超越其设计开发者的认知和视野的能力:

智能代理可以“贡献”新的认知。

证券投资领域因此将会产生革命性的变革。

首先是投资策略生产的变革。

传统的投资策略生产模式将被颠覆，大部分分析师的工作都可以被智能代理取代，而且可能做得更好。

其次，投资策略的生产从“确定的模型”向“随机的效用”转变。

“确定的模型”是确定的事件发生时，通过模型计算，求解最优的配置资产的方案。

“随机的效用”是依据效用函数对发生的随机事件进行反应，求解最优效用资产配置方案。

机器学习的强大挖掘能力，结合大数据，将会产生更多以往无法通过经验和理论推导出来的新认知，成为新的投资策略持续生产的源泉。

这里的投资策略指的是满足某些特定指标，具备完整操作逻辑的智能代理程序。

其次是交易的变革。

智能代理能够以更快的速度、更高的精度和更敏捷的反应执行交易。

“手工下单”的时代将逐渐成为历史。

一个智能代理交易程序能够轻易地同时跟踪儿白只不同的证券，同时还能通过实时观察申报单的态势、高频交易数据，拟订最优交易指令，并准确无误地执行。

跨市场、跨品种的交易将能够很轻松地实现，以往“人眼盯盘、手工下单、人工查询”的交易模式将被彻底改变。

投资人可以委托白己专属的“交易机器人”帮助白己完成所有这些事项，他需做的事情就是给此“交易机器人”装载某个投资策略。

最后是行业结构的变革。

随着证券投资人工智能代理设计开发的普遍性、复杂性的提高，将衍生出新的业态。

比如，专门用不同测度方法对信息进行量化，并发布给特定智能代理程序的信号服务提供商;专门进行投资策略设计开发的工作室、供应商;为投资人提供智能交易代理服务的交易服务商;提供大数据服务的专业和通用的数据服务商等。

随着人工智能技术不断深入各个领域，以往看似毫不相干的领域（比如“微博”、贴吧与股票相关性、某只股票的股民的大数据等等）也会被重新考量，证券投资的生态圈将在广度和深度上扩展。

证券投资行业将涌现出大量基于“要素”的新型业态，提供更细分、更多维度和层次的服务。

资本市场的维度以及时问尺度构成了一个非常浩瀚的“交易机会空问”，那些认为当所有投资人都采用某种人工智能代理进行交易，可能会导致“同质性”的担忧是没有依据的。

如果把一个交易机会比作“一条鱼”，“交易机会空问”比作太平洋里的所有鱼，智能代理比作捕鱼者，那么的确会在某个时问段，出于“效用”原则，所有的捕鱼者都聚集到某个区域捕鱼。

这样的现象发生的根本原因不是“交易机会空问”的问题，而是捕鱼者生的因素。

真正的挑战不在于能否捕到鱼，而是可否在给定的时问和地点捕捉到鱼。

基于大数据的人工智能的应用可以显著提高证券资本市场的深度和宽度。

基于“效用”决策的智能代理，会不断在整个“交易机会空问”中以人工操作无法想像的速度、效率和海量计算积极地搜索和学习，捕捉任何可能的交易机会。

由于各白的独立性以及路径的差异，反过来会极拓展资本市场的多层次特性。

（三）对相关文献的详述与分析：

兴华[1]（2004）致力于建立更合理的智能体整体市场模型。

复杂适应性系统思想下的基于智能体的计算模型是一种研究证券市场的新方法，其代表便是圣塔菲研究所的人工市场模型。

本文从市场动力学的角度认为圣塔菲的模型有许多并不完善的地方，如智能体智能不够高、学习的速度不够快、价格的决定机制依然采用预期均衡机制、仿真结果不够理想等。

本文以扩展的少数派博弈模型为核心，建立一种新的基于智能体的计算模型，本文的模型有更接近实际的结构和机制，特别是可以分析趋势交易者的形成和影响，模型仿真认为趋势交易者是因为归纳推理及适应而自然产生的，这有别于行为金融学的固定非理性假设;智能体同时拥有价值策略和趋势策略会更“聪明”，可以比纯价值策略的智能更多获利;在对称信息下，趋势交易的存在不会扩大波动，反而可以有减少波动的作用。

兴华,建梅[2]（2007）采用仿真分析的方法,利用建立的证券市场人工模型为平台,研究分析了预期多样性和归纳推理在证券市场机制中的关键作用.证券市场作为一种典型的复杂适应系统,其部因素众多,相互作用复杂.如何把一些关键因素和整体涌现出的所谓格式化特征相联系是很重要的工作.Arthur曾经暗示多样性和归纳推理是证券市场投资者的本质特点,他们的研究也印证了Arthur的思想，而仿真研究发现,智能体策略的多样性是系统稳定的基础;在对称信息下，趋势交易作为一种可选交易风格不会导致系统波动增大,反而可以进一步提供多样性,稳定系统;归纳推理是产生收益率分布尖峰肥尾现象的关键因素之一。

郭旭冲[3]（2011）致力于股票市场投资者情绪传播扩散的微观机理研究，为我国证券市场监督管理者及相关管理部门定量探索股市投资者情绪传播机理及其对股价的影响提供有益的理论及模型借鉴。

本文相关研究结论及建议，可辅助证券市场相关管理部门制定出科学监管决策，以促进股票市场健康稳定运行;同时，也有助于引导广大投资者作出更为理性的投资决策。

他通过仿真实验，主要结论有:

1）相对于规则网络，小世界网络下的股市情绪传播模型更能够反映真实的股市运行状况。

在同等条件下，规则网络模型的股票收益率尖峰肥尾特征不明显，小世界网络模型则能够明显呈现。

而在基于调研数据的现实网络下的传播模型中收益率的尖峰肥尾特征更加明显;2）不同类型投资者之间的相互影响力不同，机构大户的信息操纵会影响股市的稳定;3）市场信息对投资者的影响越大，也即投资者受外部消息的影响越大，股市越不稳定。

巍[4]（2012）以上证指数作为我国股票市场的代表，利用宏观经济指标，使用人工智能方法对上证指数的走势做出预测。

上证指数样本主要选取2005年股权分置改革以后的数据。

宏观经济变量主要选取2005年以后的月度数据。

在人工智能方法中本文主要使用神经网络和支持向量机两种方法。

在神经网络方法中，BP神经网络由于具有良好的拟合能力和容错能力成为使用最为广泛的神经网络模型之一，但是BP神经网络模型又有自己的局限性，本文在前人提出的改进BP神经网络的基础之上提出了使用贝叶斯正则算法和提前停止算法相结合的方法来改进标准的BP神经网络。

在提出改进的BP神经网络模型之后，本文分别使用改进的BP神经网络和支持向量机方法对上证指数做出预测，并比较两种方法的预测结果。

王释[5]（2012）提出了使用模拟退火遗传算法对改进后的BP神经网络进行优化的方案，模拟退火遗传算法将最优保存模拟退火算法和遗传算法有机的结合在一起，充分发挥这两种算法在局部搜索和全局搜索能力强的特性，解决了模拟退火算法易陷入局部极小值的问题，又弥补了遗传算法在局部搜索方面的不足。

其次将新型的BP神经网络用于预测分析证券未来的价格与趋势变化，我们以上证指数为例，采用不同的神