排序學習及自編碼器混成技術在投資組合策略之應用

摘要

隨著科技進步，金融科技(Fintech) 成為眾多研究的主要議題，因此藉由科技協助人們做投資組合也是重點研究之一。在金融市場上，高收益的產品都伴隨著高風險，因此如何有效選取不同投資標的，卻能獲得一定收益水準是主要研究主題。在本研究我們使用台灣股市作實例研究，為了從複雜多變的金融市場數據中，萃取出更深層的特徵，我們建議使用基於遞迴神經網路(Recurrent Neural Networks，RNN) 中的長短期記憶(Long Short-Term Memory，LSTM) 作為自編碼器的基本架構，並加入預測解碼器，擷取新特徵供排序學習中的RankSVM 使用，從30 檔股票裡，挑出前10 名下週預測漲跌幅最高的股票，作為每週的投資組合，之後我們回測了在2019 年和2020年之收益成效，從收益結果來說，當整體環境趨勢明顯的情形下，加入預測解碼器的組合式模型，更能提升收益回報率，但在大盤處於盤整時，僅將數據經由LSTM 自編碼器較能保持收益率。由於2020 年全球經歷COVID-19 疫情後，全球股市重創，因此從數值結果發現，在輸入更多類似的事件至RankSVM 後，對於重大事件的應變能力會有所提升，最後我們比較了均值-變異數模型動態尋找每週最佳夏普值之投資組合和台灣50 這兩年的收益成效，結果發現我們的每週的投資組合普遍都比均值-變異數模型和台灣50 更能創造收益。