本文關(guān)鍵詞：基于Piotroski方法和ARIMA-SVR模型的股票投資策略研究

  更多相關(guān)文章： 股票投資 Piotroski方法 時(shí)間序列 支持向量機(jī)回歸 ARIMA-SVR

【摘要】：我國不斷推進(jìn)經(jīng)濟(jì)體制的深化改革,與此同時(shí),股票市場(chǎng)也得到不斷的完善與發(fā)展,股票市場(chǎng)作為我國證券業(yè)和金融業(yè)不可或缺的重要組成部分,是一個(gè)充滿機(jī)遇和挑戰(zhàn)的領(lǐng)域。股票投資是一種高收益,同時(shí)又是高風(fēng)險(xiǎn)的手段。投資者在進(jìn)行股票選擇及買賣之前,需要有一套科學(xué)有效的方法,找到收益和風(fēng)險(xiǎn)的平衡點(diǎn),以實(shí)現(xiàn)預(yù)期的投資目標(biāo)。因此,與股票投資相關(guān)的數(shù)據(jù)分析和預(yù)測(cè)就具有十分重要的理論意義和實(shí)用價(jià)值。目前股票策略研究主要是采用基本面法或技術(shù)面法單一的方式,本文提出一種基于量化分析和數(shù)據(jù)挖掘技術(shù)結(jié)合的投資策略。先利用財(cái)務(wù)指標(biāo),構(gòu)建選股策略,選擇投資前景良好的股票。然后利用數(shù)據(jù)挖掘方法對(duì)股票的收盤價(jià)進(jìn)行預(yù)測(cè),得到對(duì)單只股票價(jià)格走勢(shì)的預(yù)測(cè)結(jié)果。通過對(duì)比預(yù)測(cè)漲幅和預(yù)先設(shè)定的漲幅閾值,找到更合適的買賣股票時(shí)間點(diǎn),從而獲得更高的收益。首先采用Piotroski選股方法,挑選出9個(gè)具有代表性的財(cái)務(wù)指標(biāo),然后根據(jù)各自的評(píng)分標(biāo)準(zhǔn)進(jìn)行打分,最后得到綜合評(píng)分。由綜合評(píng)分可以選取具有投資價(jià)值的高分組股票。將這些股票作為研究對(duì)象,選擇合適的時(shí)間點(diǎn)進(jìn)行買賣。然后分別使用時(shí)間序列(ARIMA)模型和支持向量機(jī)回歸(SVR)模型對(duì)股票的收盤價(jià)進(jìn)行預(yù)測(cè),接著結(jié)合兩者構(gòu)建ARIMA-SVR模型。實(shí)驗(yàn)證明混合模型的預(yù)測(cè)效果最好。在混合模型預(yù)測(cè)的基礎(chǔ)上,利用比例系數(shù)法進(jìn)而求出收盤價(jià)的預(yù)測(cè)區(qū)間。最后根據(jù)預(yù)測(cè)的漲幅決定是否持有股票,從而得到買賣股票的最佳時(shí)間點(diǎn)。實(shí)驗(yàn)結(jié)果表明,Piotroski選股方法適用于中國A股市場(chǎng)。高分組的收益率在持有期都比低分組組合高,同時(shí)最大回撤比低分組組合要低。ARIMA-SVR混合模型對(duì)滬深300成分股東方航空和非滬深300成分股的四川路橋收盤價(jià)的預(yù)測(cè)效果,比單一的ARIMA模型和SVR模型都優(yōu)。基于比例系數(shù)法的區(qū)間預(yù)測(cè)方法,能取得較好的效果。最后,通過綜合實(shí)驗(yàn),驗(yàn)證定性方法(Piotroski方法)與定量方法(ARIMA-SVR混合模型)結(jié)合是有效的。最終結(jié)果表明,基于Piotroski選股方法和ARIMA-SVR模型的投資策略是有效的,能夠保證收益,同時(shí)控制風(fēng)險(xiǎn)。
【關(guān)鍵詞】：股票投資 Piotroski方法 時(shí)間序列 支持向量機(jī)回歸 ARIMA-SVR
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：F832.51;F224
【目錄】：

• 摘要5-6
• Abstract6-11
• 第一章 緒論11-17
• 1.1 研究背景與意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.2.1 量化選股研究綜述12-13
• 1.2.2 數(shù)據(jù)挖掘技術(shù)在股價(jià)預(yù)測(cè)的研究綜述13-14
• 1.3 本文主要研究思路14-15
• 1.4 本文結(jié)構(gòu)安排15-17
• 第二章 基于財(cái)務(wù)指標(biāo)的選股模型17-23
• 2.1 Piotroski選股方法背景介紹17
• 2.2 Piotroski選股方法簡(jiǎn)介17-19
• 2.3 收益率的計(jì)算19-20
• 2.4 Piotroski選股方法的實(shí)證研究20-22
• 2.5 本章小結(jié)22-23
• 第三章 基于ARIMA模型的股價(jià)預(yù)測(cè)23-35
• 3.1 時(shí)間序列23-24
• 3.1.1 時(shí)間序列的基礎(chǔ)知識(shí)23
• 3.1.2 平穩(wěn)時(shí)間序列23-24
• 3.2 ARMA模型的基本原理24-27
• 3.2.1 ARMA模型簡(jiǎn)介25-27
• 3.2.2 時(shí)間序列的相關(guān)性27
• 3.3 ARMA模型的建模步驟27-32
• 3.3.1 時(shí)間序列的平穩(wěn)性檢驗(yàn)與處理28-29
• 3.3.2 模型類型的識(shí)別29
• 3.3.3 時(shí)間序列模型階數(shù)的確定29-31
• 3.3.4 對(duì)模型參數(shù)進(jìn)行估計(jì)31
• 3.3.5 模型檢驗(yàn)31-32
• 3.3.6 應(yīng)用ARIMA模型預(yù)測(cè)股票收盤價(jià)32
• 3.4 實(shí)驗(yàn)與結(jié)果分析32-34
• 3.4.1 實(shí)驗(yàn)描述及準(zhǔn)備32
• 3.4.2 實(shí)驗(yàn)結(jié)果分析32-34
• 3.5 本章小結(jié)34-35
• 第四章 基于SVM模型的股價(jià)預(yù)測(cè)35-47
• 4.1 統(tǒng)計(jì)學(xué)習(xí)理論（SLT）35-36
• 4.2 支持向量機(jī)（SVM）分類器36-37
• 4.3 線性類型的支持向量機(jī)37-40
• 4.3.1 線性可分的情形37-38
• 4.3.2 非線性可分的情形38-40
• 4.4 非線性類型的支持向量機(jī)40
• 4.5 核函數(shù)40-42
• 4.6 支持向量機(jī)回歸算法42-44
• 4.6.1 線性回歸的情形42-43
• 4.6.2 非線性回歸的情形43-44
• 4.7 SVR在股票收盤價(jià)預(yù)測(cè)中的應(yīng)用44-45
• 4.7.1 實(shí)驗(yàn)描述及準(zhǔn)備44
• 4.7.2 實(shí)驗(yàn)結(jié)果分析44-45
• 4.8 本章小結(jié)45-47
• 第五章 基于混合算法在股價(jià)預(yù)測(cè)47-57
• 5.1 ARIMA-SVR混合算法47-48
• 5.2 比例系數(shù)法48-51
• 5.2.1 比例系數(shù)法簡(jiǎn)介48
• 5.2.2 預(yù)測(cè)區(qū)間評(píng)估指標(biāo)48-51
• 5.3 基于ARIMA-SVR的收盤價(jià)預(yù)測(cè)51-54
• 5.3.1 實(shí)驗(yàn)描述及準(zhǔn)備51
• 5.3.2 實(shí)驗(yàn)結(jié)果分析51-54
• 5.4 基于比例系數(shù)法和ARIMA-SVR的收盤價(jià)區(qū)間預(yù)測(cè)54-56
• 5.4.1 實(shí)驗(yàn)描述及準(zhǔn)備54
• 5.4.2 實(shí)驗(yàn)結(jié)果及分析54-56
• 5.5 本章小結(jié)56-57
• 第六章 組合投資策略實(shí)證研究57-62
• 6.1 策略描述57-58
• 6.2 實(shí)驗(yàn)描述及準(zhǔn)備58-59
• 6.2.1 樣本選取方案58-59
• 6.2.2 計(jì)算過程59
• 6.3 實(shí)驗(yàn)結(jié)果分析59-61
• 6.4 本章小結(jié)61-62
• 總結(jié)62-64
• 參考文獻(xiàn)64-69
• 攻讀碩士學(xué)位期間取得的研究成果69-70
• 致謝70-71
• 答辯委員會(huì)對(duì)論文的評(píng)定意見71

，

本文編號(hào)：546297