本文运用深度学习模型研究中国股票市场的收益预测与因子投资。我们使用148个微观企业特征变量构建因子大数据集，并采用生成式对抗网络（GAN）方法构建深度学习模型。研究发现，相较于线性模型，深度学习模型在收益预测精度和因子投资绩效上均有很大提升。本文还分析了不同类型因子在中国股市的重要性，探索了金融深度学习预测的经济理论机制解释。本文对中国金融市场高质量发展和金融科技应用探索均有重要意义。

本文选取２０００～２０１５年全球４０支股票指数日收盘价，通过建立收益率网络和ＤＣＣ－ＭＶＧＡＲＣＨ模型波动率网络对中国股票市场国际联动性进行实证分析。研究表明，随着经济全球化的加深，全球股市收益率和波动率联动逐渐增强；全球金融危机和欧债危机期间，收益率联动网络具有小世界性；中国与全球股市长期处于割裂状态，但在全球金融危机期间与其他市场联系加强。在全球经济形势复杂多变的情况下，中国应针对性采取措施促进股市发展，以分享全球金融一体化利益。

机构投资者持股比例可能会影响股票的预期收益，本文尝试探究投资者结构是否是中国股票市场定价因子。本文利用A股数据构建投资者结构因子，并将该因子加入Carhart四因子模型中进行实证回归。研究发现：(1)投资者结构是沪深股票市场定价因子，该结论通过了稳健性检验；(2)相对于沪深主板市场，创业板与科创板市场的投资者结构因子溢价更高；(3)新冠疫情提高了沪深股票市场的投资者结构因子溢价。本文补充了A股市场在资产定价方面的研究，为A股市场投资端改革提供了经验证据。

作为深度学习技术的经典模型之一,长短期记忆(LSTM)神经网络在挖掘序列数据长期依赖关系中极具优势。基于深度神经网络优化技术,本文构造了一个深层LSTM神经网络并将其应用于全球30个股票指数三种不同期限的预测研究,结果发现:①LSTM神经网络具有很强的泛化能力,对全部指数不同期限的预测效果均很稳定;②相比三种对照模型(SVR、MLP和ARIMA),LSTM神经网络具有优秀的预测精度,其对全部指数的平均预测精度在不同期限上均有提升;③LSTM神经网络能够有效控制误差波动,相比三种对照模型,其对全部指数的平均预测稳定度在不同期限上亦均有提高。鉴于LSTM神经网络在预测精度和稳定度两方面的优势,其未来在金融预测等方向将有广阔的应用前景。

人工智能在21世纪以来发展迅速，它与各个领域的结合发展促进了各个领域的飞快发展。本文重点研究人工智能在中国金融市场的量化应用，通过引入20个涵盖了价值、技术、动量、情绪反转等指标和8个机器学习算法对沪深两市股票收益率进行预测。从各个指标对模型的贡献程度来看，本文发现动量、反转和技术指标对股票未来收益率的影响程度最高。随后，本文按照这些股票的预测收益率进行排序并形成了交易策略。通过比较各个模型的结果发现预测收益率形成的交易策略在中国市场能获得显著的超额收益，且深度神经网络的预测效果最佳，正则化的线性机器学习模型次之。通过机器学习深度挖掘各个因子指标对中国股市的影响，为政策的制定者提供一定的借鉴意义，同时也能更好地理解中国市场交易中的非理性因素。

一般认为,在存在较少的股市信息的情况下,股价的波动较小,当存在较多的股市信息时,股价的变动也常常较大,互联网股票信息量的显著变化常常是该公司有特殊事件的反映,进而可能影响股价。文章从网络搜索引擎Google获取字频信息,运用事件研究的方法,对网络文字频度信息与股市关系进行了分析,实证结果表明网络股市信息量的波动与股市价格波动存在显著的正相关关系。

【目的】利用卷积神经网络模型进行图像自动识别时，为防止模型过拟合通常需要大量训练样本。本研究为提高树种识别准确率，在原有叶片图像基础上进行图像样本扩充来保证训练质量，提出一种融合生成对抗网络与卷积神经网络的树种识别方法。【方法】在Pytorch框架下，采集10种常见树种（山杨、梣叶槭、榆、刺槐、紫丁香、杜仲、火炬树、山荆子、水曲柳、红端木）叶片图像作为研究对象。首先，采用均值滤波去噪和尺寸归一化对图像进行预处理。其次，以生成对抗网络生成的图像扩充数据集，其中，以深度卷积生成对抗网络（DCGAN）模型为基础并对其进行改进，建立残差条件深度卷积生成对抗网络（RC-DCGAN）模型，将随机噪声和类别标签作为生成器的输入，以控制样本生成过程；在生成器中嵌入残差结构，使生成模型学习更多特征信息，以提高生成图像质量。然后，将原始图像和扩充图像作为卷积神经网络（CNN）的训练集，一方面，使用RC-DCGAN模型和旋转、镜像、改变对比度等传统图像扩充方法，扩充图像11 400幅；另一方面，将原始图像与生成图像、原始图像与传统扩充图像，分别输入至CNN中进行训练，并在原始图像的每个类别中随机挑选50幅对模型进行测试，以验证生成对抗网络对提升识别准确率的可行性。最后，确定适合试验要求的CNN分类模型，并与AlexNet模型、VGG-16模型、VGG-19模型、 ResNet18模型的识别效果进行对比，以检验本研究方法的可行性。【结果】RC-DCGAN模型比DCGAN模型生成的图像质量更高，贴合真实图像；利用生成对抗网络扩充图像的方法与ResNet30树种识别模型，训练准确率为99.03%，平均验证识别准确率为97.20%；而在相同树种识别模型下，传统图像扩充方法的识别率为95.50%；在相同数据集下，AlexNet模型、VGG-16模型、VGG-19模型、ResNet18模型所获得的识别率分别为86.52%、87.57%、91.43%、93.25%，均低于本研究模型的识别率。【结论】联合生成对抗网络和卷积神经网络的方法对本研究10种树种叶片图像的识别准确率最高，且克服了使用传统图像处理扩充方法使模型泛化能力下降的问题，说明利用生成对抗网络对图像扩充的方法具有可行性和有效性，可为相关研究工作提供借鉴。

在车辆辐射成像过程中,受到射线源的几何尺寸、探测器及信号放大电路响应时间、统计涨落等降质因素的影响,图像产生退化,表现为模糊与噪声增加.针对车辆辐射图像的退化问题,该文研究了辐射成像系统的退化模型,提出了利用生成对抗网络Deblur GAN的辐射图像复原方法.通过辐射图像的退化机制构造了辐射图像的特定数据集,用于训练Deblur GAN模型,利用训练好的模型去复原系统实际采集的车辆辐射图像.实验结果表明:该方法能够有效去除辐射图像的模糊与噪声,改善系统的成像质量.

本文整理了2006—2021年证监会行政处罚涉及的股票市场操纵案例，并通过Wilcoxon秩和检验来筛选构造解释变量，之后综合运用各种过采样算法和机器学习模型对其进行实证分析。研究发现：第一，经过过采样算法扩充样本的模型预测精度明显大于样本不平衡的模型；第二，综合比较各种过采样算法，Borderline-SMOTE过采样算法的预测精度大于SMOTE和ADASYN过采样算法；第三，综合比较各类机器学习分类模型，SVM模型的预测精度明显大于其他机器学习分类模型。本文结论对股票市场操纵的及早识别预测，促进资本市场良性发展具有一定的理论意义和实践价值。

目前有关投资策略的理论多种多样,且大多数理论均建立了相应的理论模型,随着西方发达国家市场的日渐成熟与新的投资工具的出现,理论模型也变得愈来愈复杂。对中国证券市场理论工作者或管理层来说,了解西方发达市场理论模型是非常必要的,但必须记住的是,绝大多数证券市场投资模型均建立在市场有效性假说基础之上,它显然不适于当前我国的证券市场。对中国股市投资者来说,让其去熟悉或深入了解理论模型不仅不现实,而且也没有这个必要,对他们而言,最重要的是能结合我国证券市场的实际运作状况,找到一个有效的可操作策略,且这种操作策略越简单越好。下面的论述正是要实现这一目的。

本文利用因子多元随机波动模型(MSV),计算全球40个股票市场间的溢出风险价值(ΔCoVaR),在此基础上利用社会网络方法构建系统性风险溢出网络,分析国际股票市场风险溢出的整体特征。研究发现:全球金融风险溢出存在明显的非对称性,开放的发达国家对外风险溢出程度最高,开放的发展中国家主要遭受来自外部的风险溢出;全球风险溢出网络存在明显的无标度性和小世界性,少数市场在风险溢出中发挥着更重要的作用,后危机时代依然潜藏巨大风险;中国在全球风险溢出网络中处于相对边缘的位置,中国香港既是内地市场的直接外部风险来源,也是内地市场与外部冲击的重要中介。

在"复杂网络构建-网络结构分析-金融危机传染模拟"的分析框架下,利用2004~2015年全球40个主要国家和地区的股市数据估计各股票市场之间的非对称因果关系,构建全球股市网络,从网络结构变化的角度定量刻画两次危机对全球及中国股市的传染,同时利用带有潜伏期的传染病模型模拟金融危机的传染过程。研究发现,金融危机的冲击会使全球股市网络出现结构突变,次贷危机对全球股票市场的传染性远高于欧债危机,但对中国股市的传染弱于欧债危机;中国股市在两次危机期间均没有受到美国和希腊的直接传染,尽管国际影响力仍然较低,但是外部冲击的影响却逐渐增强;次贷危机在网络中的传染存在扩散阈值和崩溃阈值,而希腊作为单一传染源则不会导致全球股市网络的崩溃;潜伏期虽然能够为各国调整宏观经济政策提供时间,但是潜伏期越长,危机传染性就越强。

本文以1999—2016年沪深A股的上市公司为研究样本,从机构投资者个体之间的相互影响视角出发考察机构投资者网络中心性对股票市场信息效率的影响。研究发现:机构投资者网络中心性与信息融入股价的速度以及股价信息含量显著正相关;机构投资者网络中心性对市场信息和负面市场信息融入股价的速度、股价信息含量的影响在市场下跌阶段较明显,在市场上涨阶段不明显,而对正面市场信息融入股价速度的影响在市场下跌阶段较不明显,在市场上涨阶段较明显。本文的研究发现了机构投资者网络影响股价信息含量的新渠道,为网络信息扩散的研究提供中国经验。

基于Louvain算法从机构投资者网络中提取机构投资者团体,建立以重仓股票为链接的基金网络模型,生成基金团体持股变量,研究机构投资者抱团对股票市场的影响。研究发现:机构投资者抱团行为加剧了公司股价的波动,机构投资者抱团持股比例越大,加剧作用越显著。同时,机构投资者抱团降低了股票的流动性,基金网络交流越密切,抱团持股比例越大,股票流动性成本越高,流动性越差。进一步研究发现,相比牛市,基金在熊市的抱团行为对股价波动的放大效应更明显;在流动性层面,相比牛市,熊市时的机构投资者抱团行为对股票流动性的削弱作用更为显著。

本文将东方财富网股吧的评论数据作为实证对象,利用文本挖掘技术构建金融领域的情感词典,通过贝叶斯方法将其合成网络情绪指数,应用ARMA-GARCH族模型分别刻画网络情绪与个股收益序列。结果表明:ARMA-GARCH族模型能有效解释网络情绪与股票收益的自相关性与异方差性;在短期内网络情绪对大多数个股的收益具有一定的预测作用,而个股收益对网络情绪的影响则具有较长时滞。