双融合模型在香港股市的波动率量化交易策略研究
我们采用了3种时间序列模型Generalized Autoregressive Conditional Heteroskedasticity(GARCH)、Glosten Ja-gannathan Runkle GARCH(GJR-GARCH)和Exponential GARCH(EGARCH),以及4种传统机器学习模型Random Forest(RF)、Adaboost(ADA)、Gradient Boosting Decision Tree(GBDT)和Histogram Based Gradient Boosting(Hist-GB),组合成了12种双融合模型对波动率进行预测。同时,我们进行了模拟交易的回测实验,以评估该波动率量化交易策略的性能。该策略在香港市场中的股票都获得了较好的收益,为投资者提供了有价值的参考。 关键词时间序列模型,机器学习模型,波动率预测,量化交易Research on Double Fusion Modeling for Volatility Quantitative Trading Strategies in Hong Kong Stock Market Keyue Yan1, Ning Wang2, Ying Li3*1Choi Kai Yau College, University of Macau, Macau 2School of Physical Education, Dezhou University, Dezhou Shandong 3College of Global Talents, Beijing Institute of Technology(Zhuhai), Zhuhai Guangdong *通讯作者。文章引用:颜轲越, 王宁, 李莹.双融合模型在香港股市的波动率量化交易策略研究[J].金融, 2024, 14(3):844-855.DOI:10.12677/fin