Black-Litterman模型下的行业ETF投资策略研究--基于PSO-LSTM神经网络.pdf

摘要

中国资本市场自1990成立至今已走过三十多个年头，这期间见证了我国资

本市场从无到有、从稚嫩走向成熟，规章制度不断完善，参与主体不断扩大，交

易工具不断丰富，与我国经济的快速崛起相辉映。资本市场不仅为企业募集发展

所需的资金，还为投资者提供了大量可供交易的投资标的。ETF作为现代金融工

具的重要创新之一，为资本市场提供了流动性和稳定性，也使得投资者能够获取

投资于各类指数收益。随着计算机技术和人工智能的快速发展，将人工智能的强

大学习能力应用到资本市场已成为金融科技领域的一大潮流；其中，借助机器学

习算法对金融时间序列的价格进行预测以及构建量化投资组合更是当下证券投

资领域的重要研究方向。本研究采用神经网络预测和量化投资策略，针对A股

市场构建ETF投资组合。通过这两种模型的结合，旨在实现更精准的市场预测

和更优化的投资组合配置。

本文构建了一个用于对沪深300指数和11支中证行业指数的收盘价格进行

预测的PSO-LSTM模型，并将预测的结果作为Black-Litterman模型投资者观点

的输入，据此对中证行业指数构建投资组合，旨在帮助帮助投资者更好的量化预

期回报率并构建适合的投资组合。在进行股价预测时，本文不仅选择了技术面指

标、基本面指标，还根据金融文本的数据构建投资者情绪指数，并将上述指标作

为特征变量带入LSTM神经网络中对收盘价格进行预测。在进行股价预测之前，

首先对所选用的LSTM神经网络的参数设置进行研究，并借助于粒子群优化算

法对神经网络中的参数设置方法进行优化，建立了PSO-LSTM模型，分析了该

优化算法所生成参数的合理性，通过实证数据对比分析，评估了所采用模型的预

测效果。随后，将预测结果融入Black-Litterman模型中，构建了相应的投资组

合。利用历史数据对该投资组合的资产配置效果进行了回测，并从风险和收益两

个维度综合评估了组合的表现。

本研究以2013年至2023年中证行业指数的数据为基础，对预测模型和投

资组合模型进行了系统的研究。结果显示，相较于传统的LSTM模型，本文所

构建的PSO-LSTM模型不仅能够提升调参的效率，而且粒子群优化算法所设定

的参数能够避免主观因素的干扰，能提高股价预测的精度。在预测模型特征变量

选取方面，本文除了选用传统的技术面指标和基本面指标以外，还借助于金融文

本信息构建了基于文本信息的投资者情绪指标，这有利于提升模型的预测效果。

在资产配置方面，本文将预测结果作为Black-Litterman模型投资者观点收益向

量的输入，分别构建了PSO-LSTM-BL模型、均值-方差模型、等权重模型，并

回测了各投资组合模型在指数的上涨期、下降期和振荡期的配置效果，通过对比

各组合的日均收益率和夏普比率发现在上述三个时期本文所构建的PSO-LSTM-

BL模型均能取得较好表现。这表明，采用LSTM神经网络能够提高投资者对于

资产收益率预期的准确度，将预测结果输入到资产组合模型能够降低投资者的

所面临的风险，并提高投资决策的准确性和投资效率。能够为资本市场的参与者

提供一定的投资参考。

关键词：行业ETF；LSTM神经网络；粒子群优化算法；Black-Litterman模型

Abstract

Chinesecapitalmarkethasgonethroughmorethanthirtyyearssinceits

establishmentin1990,duringwhichtimeithaswitnessedChinesecapitalmarketgrow

fromstrengthtostrength,fromtendernesstomaturity,withever-improvingrulesand

regulations,ever-expandingparticipantsandever-enrichedtradingtools,mirroringthe

rapidriseofChineseeconomy.Thecapitalmarketnotonlyraisesthefundsneededfor

thedevelop