隨著近年來數(shù)理金融的不斷完善,以及計算機(jī)技術(shù)的逐漸成熟,股票量化投資逐步發(fā)展起來。支持向量機(jī)(Support Vector Machine,SVM)作為很好的分類技術(shù),國內(nèi)外學(xué)者將其應(yīng)用到股票選取中,做到了對股票收益率高低的分類及市場預(yù)測,但是由于股票市場數(shù)據(jù)的龐大和復(fù)雜性導(dǎo)致傳統(tǒng)支持向量機(jī)分類精度不高。本文采用了序列最小化算法(Sequential Minimal Optimization,SMO)對支持向量機(jī)選股模型進(jìn)行優(yōu)化。首先選取對股票收益率影響較大的財務(wù)指標(biāo),利用這些財務(wù)指標(biāo)降維分析所得數(shù)據(jù)建立基于SMO算法改進(jìn)的支持向量機(jī)選股模型(SMOSVM),在模型構(gòu)建方面,SMO-SVM選股模型在模型訓(xùn)練和測試時期準(zhǔn)確率都高于SVM選股模型,尤其是在對于高收益股票的分類精度上有著明顯的優(yōu)勢。接著使用選股模型進(jìn)行股票投資組合的選取并將所選投資組合進(jìn)行市場檢驗。經(jīng)過對投資組合的市場檢驗,基于SMO算法優(yōu)化的支持向量機(jī)選股模型所選股票投資組合的收益表現(xiàn)和風(fēng)險方面均優(yōu)于支持向量機(jī)選股模型。緊接著將市場周期分為上漲期、震蕩期和下跌期,對投資組合進(jìn)行分階段的市場檢驗,結(jié)果顯示,在上漲期,SMO投資組合承受高系統(tǒng)性風(fēng)險的同時有著高的風(fēng)險報酬,其收益高于上證綜合指數(shù)和SVM投資模型;在震蕩期,SMO投資組合有著不錯的穩(wěn)定性,基本維持著原有的超額收益;在下跌期通過風(fēng)險指數(shù)的對比得出,承受相同風(fēng)險的情況下,SMO有著更高的期望收益。本文對支持向量機(jī)進(jìn)行算法優(yōu)化可以使其更好的應(yīng)用在量化金融領(lǐng)域,同時也為今后支持向量機(jī)的應(yīng)用研究提供了新的思路。
【學(xué)位單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：F832.51;F224
【部分圖文】：

非線性分隔超平面
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 扶潤勁;;淺談企業(yè)財務(wù)指標(biāo)有效性分析[J];新經(jīng)濟(jì);2015年17期

2 王艷;陳敏;趙子龍;;基于高頻夏普指數(shù)的組合證券投資模型[J];系統(tǒng)工程理論與實踐;2015年01期

3 陳榮達(dá);虞歡歡;;基于啟發(fā)式算法的支持向量機(jī)選股模型[J];系統(tǒng)工程;2014年02期

4 蘇治;傅曉媛;;核主成分遺傳算法與SVR選股模型改進(jìn)[J];統(tǒng)計研究;2013年05期

5 許紅偉;吳沖鋒;張翔;;我國量化(對沖)基金業(yè)績表現(xiàn)的比較分析[J];投資研究;2013年02期

6 王健峰;張磊;陳國興;何學(xué)文;;基于改進(jìn)的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J];應(yīng)用科技;2012年03期

7 徐國祥;楊振建;;PCA-GA-SVM模型的構(gòu)建及應(yīng)用研究——滬深300指數(shù)預(yù)測精度實證分析[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2011年02期

8 奉國和;;SVM分類核函數(shù)及參數(shù)選擇比較[J];計算機(jī)工程與應(yīng)用;2011年03期

9 狄明明;孫德山;;聚類分析和支持向量機(jī)在股票研究中的應(yīng)用[J];計算機(jī)技術(shù)與發(fā)展;2009年06期

10 李云飛;惠曉峰;;基于支持向量機(jī)的股票投資價值分類模型研究[J];中國軟科學(xué);2008年01期

本文編號：2888297