无消息即坏消息:中国股市的信息不对称

提出了一个扩展的知情交易概率指标(APIN)并证明了其相对于PIN在中国股市上具有更好的信息不对称测度效力.在内幕交易监管存在较大完善空间、并存在较高卖空限制的转型股市中,信息获取会成为股票交易获利的决定性因素.此时,一方面,当投资者无消息时,会认为自己在博弈中处于劣势地位,此时“无消息即坏消息”.投资者在这种情况下会更倾向于卖出股票避免损失.另一方面,“无消息即坏消息”下规避性投资者卖出股票占总卖出股票的比重会随着信息不对称程度的增加而增加,作为“无消息”投资者,这类投资者会比真正“坏消息”下的卖出者要求更高的卖价,所以其卖出增加会减小买卖价差.这会导致股市信息不对称指标(APIN)与买卖价差间呈现显著负相关性,并使得PIN对信息不对称的度量容易出现偏差(低估偏差大于高估偏差).总之,APIN可以刻画“无消息即坏消息”下的交易情形,比PIN更精准地度量了中国股市的信息不对称情况.

基于Sakai的程序设计语言课程教学管理系统

针对开源系统在线学习系统Sakai应用于程序设计语言等计算机编程类课程教学时,缺乏对程序设计题目进行自动评测和优化的问题,在对Sakai架构进行深度分析的基础上,集成了程序设计语言题目自动评测机制以及实现实验报告在线手写批注等功能。在实际教学中,有助于提高教师的工作效率以及给予学生更多的反馈信息。

基于HTML5的文档在线评阅及批注的实现

针对现阶段各种Web系统对于电子文档在线评阅及批注功能的支持有限问题,本文提出了一种基于新一代Web技术HTML5的在线评阅及手写批注实现,并支持与服务端进行通信保留修改痕迹。电子文档的全文批注功能是很多OA系统、在线学习系统的重要环节,此技术的实现有助于提高公文批阅、作业批改的效率以及用户体验。

基于深度学习的配对交易策略

随着我国金融创新的推进,量化交易逐渐在我国证券市场中发芽成长。量化交易领域中传统的配对交易策略,都假设股价之间满足某种特定的关系,因而存在着局限性。运用深度学习技术,可以避免在配对交易中引入前提额外假设,而是将挖掘规律的任务交给计算机来完成。使用栈式自动编码器代替传统方法,挖掘股票价格相关性中蕴含的套利机会,能形成一套新的、有着独立逻辑的交易策略。实验表明,该策略在我国A股市场表现出稳定的盈利能力,在根据近两年A股市场数据的模拟测试中,日胜率为62.9%,信息比率为0.378。

基于拟蒙特卡罗的多目标投资组合优化

投资组合最优化是定量经济学中一个很重要的问题,主要研究金融资产的优化配置,以实现收益最大化和风险最小化的均衡。近两年,蒙特卡罗模型被应用到一些关于投资组合最优化的实验研究中,但是其稳定性不是很高。该文提出如何在权重超平面上生成低差异权重向量序列的方法,以实现了稳定性更高的基于拟蒙特卡罗的多目标投资组合优化模型。实验结果表明,相比蒙特卡罗模型,拟蒙特卡罗方法平均收益稍大,且更稳定。

基于Monte Carlo的多目标投资组合优化

金融工程领域中,投资组合优化是一个核心课题。该文说明了如何均匀随机数产生随机权重向量的方法,从而实现了基于蒙特卡罗的多目标投资组合优化模型。实验结果表明,相比均值-方差优化模型,蒙特卡罗方法还可以在一定的收益和方差下,对其它计量指标进行优化。

基于OpenCL的隐马尔可夫模型的GPU并行实现

隐马尔可夫模型(HMM)是建立在马尔可夫链的基础上的统计模型。虽然隐马尔可夫模型是一种计算高效的机器学习模型,但是当处理的数据集规模过于庞大时,分析的时间太长。因此,我们有必要研究隐马尔可夫模型的并行化设计,以提高模型的运算速度。近年来,开放计算语言(OpenCL)的出现,使得设计通用的并行程序成为可能。该文,我们分析了隐马尔可夫模型三类算法的并行特性,并设计基于OpenCL的并行实现。实验结果表明,隐马尔可夫模型在GPU上的并行化实现最高获得了640倍的加速比。