本文關鍵詞：基于支持向量機理論的股指期貨量化交易策略研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：作為市場經(jīng)濟的重要一部分,股指期貨市場和股票市場一起被稱為現(xiàn)代經(jīng)濟的“晴雨表”。然而,股指期貨的杠桿性也決定了投資者在進行股指期貨投資時要面臨更大的風險。能否對股指期貨價格的未來走勢進行準確的預測,是進行股指期貨投資的關鍵所在。傳統(tǒng)的一些證券市場分析方法如證券投資分析法、時間序列分析法往往需要基于一系列較為嚴格的假設,在面對非線性的證券市場時很難取得令人滿意的效果。隨著計算機及技術和統(tǒng)計學習理論的快速發(fā)展,證券市場分析預測方法得到了極大的豐富。機器學習由于對非線性的系統(tǒng)具有良好的逼近能力,因此被廣泛應用在證券分析領域。本文研究的目標是基于機器學習領域近年來的研究熱點——支持向量機理論來建立股指期貨分類預測模型,并在該預測模型的基礎之上初步構建針對上證50股指期貨的交易策略,以期為投資者在進行股指期貨投機時提供一定的參考。由于支持向量機在解決小樣本和非線性問題時相較其他分析預測方法更具優(yōu)勢,因此更適合對上市時間不久的上證50股指期貨進行分析預測。在對支持向量機中的核函數(shù)進行選擇時,本文分別構建了基于不同核函數(shù)的分類預測模型。通過使用不同輸入向量進行靜態(tài)仿真,發(fā)現(xiàn)在對上證50股指期貨價格進行預測時,高斯徑向核函數(shù)的表現(xiàn)要優(yōu)于其他常見的核函數(shù)。為了比較基本行情指標和技術指標在對上證50股指期貨收盤價進行預測時表現(xiàn),本文還利用高斯徑向核函數(shù)分別構建了基于行情指標和相關技術指標構的動態(tài)預測模型,并在動態(tài)模型的基礎上初步構建了股指期貨投機策略。通過使用歷史數(shù)據(jù)對交易策略進行回測,本文發(fā)現(xiàn)基于基礎行情指標的交易策表現(xiàn)要遠好于基于技術指標的交易策略。其中,前者在2015年7月7日至2016年3月1日內總盈利和收益率分別為29.838萬元和192%,遠超后者的12.972萬元和126.57%。此外,在回測的時間段內基于基礎行情指標的策略回撤率僅為基于技術指標的交易策略的1/3。
【關鍵詞】：機器學習 支持向量機 核函數(shù)基礎 行情指標 技術指標
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：F724.5
【目錄】：

• 致謝5-6
• 摘要6-7
• Abstract7-11
• 1 緒論11-15
• 1.1 研究背景和意義11-12
• 1.2 研究內容和框架12-13
• 1.3 本文創(chuàng)新點13-15
• 2 證券市場預測方法研究綜述15-24
• 2.1 證券投資分析法15-17
• 2.1.1 基本面分析法15-16
• 2.1.2 技術分析法16-17
• 2.2 時間序列分析法17-19
• 2.2.1 傳統(tǒng)時間序列分析法17
• 2.2.2 現(xiàn)代時間序列預測法17-19
• 2.3 神經(jīng)網(wǎng)絡預測法19-20
• 2.4 支持向量機預測法20-22
• 2.5 本章小結22-24
• 3 支持向量機預測模型相關理論基礎24-36
• 3.1 機器學習相關理論24-28
• 3.1.1 機器學習的基本模型24-25
• 3.1.2 統(tǒng)計學習理論25-28
• 3.2 支持向量機相關理論28-34
• 3.2.1 線性可分問題28-32
• 3.2.2 線性不可分問題32-34
• 3.3 本章小結34-36
• 4 分類預測模型的構建36-46
• 4.1 模型輸入和輸出變量的選取36-37
• 4.2 模型參數(shù)尋優(yōu)37-42
• 4.2.1 遺傳算法基本思想38
• 4.2.2 遺傳算法的主要流程38-41
• 4.2.3 遺傳算法參數(shù)選擇41-42
• 4.3 模型評價指標42-43
• 4.4 模型總流程43-44
• 4.5 本章小結44-46
• 5 股指期貨價格預測及策略建立46-65
• 5.1 實驗樣本數(shù)據(jù)預處理46-52
• 5.1.1 樣本數(shù)據(jù)標準化47-48
• 5.1.2 樣本數(shù)據(jù)主成分分析48-52
• 5.2 預測模型靜態(tài)仿真52-57
• 5.2.1 基礎行情靜態(tài)仿真結果53-55
• 5.2.2 技術指標靜態(tài)仿真結果55-57
• 5.3 預測模型動態(tài)仿真57-58
• 5.4 交易策略模型構建58-63
• 5.4.1 策略思路58-60
• 5.4.2 策略回測60-63
• 5.5 本章小結63-65
• 6 結論與展望65-67
• 6.1 研究結論65-66
• 6.2 研究展望66-67
• 參考文獻67-71
• 附錄71-76

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 賈凝;;支持向量機模型在統(tǒng)計學上的應用研究[J];統(tǒng)計與決策;2010年13期

2 呂向陽;高尚;;基于支持向量機的品牌特色專業(yè)評價[J];價值工程;2011年24期

3 黃勝忠;;遺傳支持向量機在股市趨向的預測[J];計算機與數(shù)字工程;2012年01期

4 胡奎;朱成文;;基于支持向量機的雷達信號分類[J];統(tǒng)計與決策;2008年23期

5 許建萍;;基于支持向量機的工程索賠合理工效研究[J];科技創(chuàng)新導報;2009年07期

6 張明;劉念祖;;電子商務信用管理的支持向量機應用[J];中國管理信息化(綜合版);2007年09期

7 高尚;梅亮;;基于支持向量機的電價組合預測模型[J];電力自動化設備;2008年11期

8 王毅;;支持向量機技術及其應用研究[J];中國高新技術企業(yè);2008年15期

9 呂月英;;基于支持向量機工程施工風險預警研究[J];科技創(chuàng)新導報;2009年07期

10 芮麗梅;;改進支持向量機的商業(yè)銀行評級算法[J];企業(yè)導報;2011年03期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術應用學術會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術年會論文集[C];2006年

10 侯澍e

本文編號：253760