PLR-IRF拐点预测与DQN股票量化投资决策模型优化

【摘要】近年来，随着计算机技术的飞速发展，量化投资在金融投资领域逐渐兴起，其中股票量化投资最具代表性。然而，在股市中量化交易决策模型，股票交易频繁且复杂，股价走势难以预测，普通投资者难以把握股价走势的变化规律。此外，很多量化投资策略只能借助计算机直接实现交易思路，策略本身适应性较差，通用性较差。目前，股市还存在股价走势预测准确率不高、投资收益率低、投资风险大等问题。针对以上问题，本文将人工智能技术应用于股票量化投资，设计了一种新的股票量化投资决策模型。该模型包括三个模块：数据预处理、趋势预测和投资决策。数据预处理模块实现股票数据剪枝和信息聚合，采用交易数据和指标数据两类，保证数据的全面性。趋势预测模块提出股票价格趋势转折点预测算法PLR-IRF（Piecewise Linear Representation-Improved Random Forest），实现转折点提取、分类和预测。该算法是分段线性表示（PLR）和随机森林（RF）算法的优化，可以实现PLR算法中阈值的自动设置，并利用遗传算法（GA）对RF算法进行了改进。投资决策模块训练Deep Q Network（DQN）模型设计投资策略，优化DQN模型各部分的参数，使模型学习能够让投资者获得更多收益的投资策略。最后，利用所提出的模型对随机选取的20只股票进行实验，并设计两组对比实验，从多个角度验证模型的有效性和可行性。实验结果表明，本文模型具有股价走势拐点预测精度更高、投资收益更好、通用性更强等优点量化交易决策模型，可为投资者提供有价值的参考。