【摘要】：伴隨著全球信息科學(xué)技術(shù)的不斷進(jìn)步,越來(lái)越多的研究學(xué)者開(kāi)始借助機(jī)器學(xué)習(xí)的方法來(lái)研究資本市場(chǎng).用現(xiàn)有方法對(duì)資本市場(chǎng)指標(biāo)進(jìn)行分析時(shí)存在許多問(wèn)題,如要求投資者具備一定的投資經(jīng)驗(yàn)和能力,投資決策受投資者情緒波動(dòng)影響較大,資本市場(chǎng)擾動(dòng)因素眾多難以具體量化分析等.近年來(lái),量化投資憑借其獨(dú)立性、時(shí)效性和系統(tǒng)性的特點(diǎn),逐步從機(jī)構(gòu)投資者向越來(lái)越多的個(gè)人投資者中普及.本文用支持向量機(jī)理論(Support Vector Machine,SVM)構(gòu)建量化擇時(shí)模型對(duì)滬深300指數(shù)的相關(guān)數(shù)據(jù)進(jìn)行分析.對(duì)SVM量化擇時(shí)模型中特征指標(biāo)和模型參數(shù)等內(nèi)容進(jìn)行研究,通過(guò)實(shí)驗(yàn)驗(yàn)證了所建立模型的可行性和有效性.具體地,本文的主要研究?jī)?nèi)容有:1.為了解決傳統(tǒng)投資方法中技術(shù)分析和基本面分析的缺點(diǎn),本文選擇滬深300指數(shù)為研究對(duì)象,提出基于SVM理論的量化擇時(shí)策略.通過(guò)建立模型對(duì)行情歷史數(shù)據(jù)進(jìn)行訓(xùn)練,并將預(yù)測(cè)結(jié)果與實(shí)際行情對(duì)比.最后引入相關(guān)分析指標(biāo)評(píng)判模型的優(yōu)劣,通過(guò)實(shí)證檢驗(yàn)了模型的可行性.2.為了消除滬深300指數(shù)行情數(shù)據(jù)中的噪聲,最大限度保留數(shù)據(jù)的主要信息,本文選取了13種具有代表性的市場(chǎng)指標(biāo)作為樣本特征指標(biāo).通過(guò)對(duì)特征指標(biāo)數(shù)據(jù)進(jìn)行離散化處理,使原本連續(xù)的行情數(shù)據(jù)轉(zhuǎn)化為具有二值特征的數(shù)據(jù),進(jìn)一步減少行情中的噪聲對(duì)SVM量化擇時(shí)策略模型的影響.3.為提升預(yù)測(cè)精度,本文對(duì)SVM核函數(shù)中的關(guān)鍵參數(shù)懲罰因子C和不敏感系數(shù)γ采用網(wǎng)格搜索和交叉驗(yàn)證的方法進(jìn)行尋優(yōu).與其他研究方法只對(duì)核函數(shù)參數(shù)尋優(yōu)一次相比,本文建立的模型實(shí)現(xiàn)了在每次訓(xùn)練和預(yù)測(cè)前,都對(duì)核函數(shù)參數(shù)進(jìn)行尋優(yōu)并更新.通過(guò)本文研究和實(shí)驗(yàn)結(jié)果表明,通過(guò)構(gòu)建SVM量化擇時(shí)策略模型預(yù)測(cè)滬深300指數(shù)走勢(shì),具有較高的可行性和準(zhǔn)確率.采取本模型進(jìn)行輔助投資一定程度上可以獲得超額收益,對(duì)投資者決策具有一定的參考價(jià)值和指導(dǎo)意義.
【圖文】：

圖 2-1 最優(yōu)超平面看出，方塊點(diǎn)以及圓形點(diǎn)分別表示兩種不同H2是和分類線平行的直線同時(shí)也是最接近向量，，兩條線中間的距離是分類間隔．雖類線有無(wú)數(shù)條，然而最優(yōu)分界線僅一個(gè)，也空間，線就變成了面，因此從最優(yōu)分界線變把兩種不同的對(duì)象區(qū)分開(kāi)來(lái)，并且分類間隔的分類間隔太近，會(huì)出現(xiàn)噪音等問(wèn)題，對(duì)分量機(jī)完全被超平面分割開(kāi)來(lái)的形式可以用線性支和學(xué)習(xí)目標(biāo)：x={x1,x2,...,xn},y={y1,y2,...,yn}，述：0TWx b

22圖 3-1 SVM 擇時(shí)流程圖 SVM 的量化擇時(shí)策略更多的只是大方向的策略問(wèn)沒(méi)有過(guò)多的參照，而這些細(xì)節(jié)問(wèn)題通常是能夠影響．關(guān)于具體的細(xì)節(jié)問(wèn)題，本文總結(jié)了以下六點(diǎn)：預(yù)、特征指標(biāo)的選取、買賣時(shí)點(diǎn)的選擇和模型的設(shè)置的選擇 結(jié)合時(shí)間序列模型算法進(jìn)行擇時(shí)策略時(shí)首先需要化擇時(shí)策略模型的預(yù)測(cè)會(huì)精準(zhǔn)到幾毫秒的變化行部分模型預(yù)測(cè)的是更為久遠(yuǎn)的行情，但絕大部分的一日到幾月的時(shí)間長(zhǎng)度．預(yù)測(cè)長(zhǎng)短會(huì)影響到具體后的預(yù)測(cè)結(jié)果．例如，預(yù)期較短時(shí)間時(shí)，具體的股長(zhǎng)的變化，這些都會(huì)對(duì)應(yīng)不同的頭寸；當(dāng)預(yù)測(cè)期限
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：F832.51;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 葉志雄;王丹弘;;基于海量數(shù)據(jù)的不平衡SVM增量學(xué)習(xí)的釣魚(yú)網(wǎng)站檢測(cè)方法[J];電信工程技術(shù)與標(biāo)準(zhǔn)化;2016年12期

2 齊興;;結(jié)合主方向和SVM的人臉表情識(shí)別[J];廊坊師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2016年04期

3 馮東梅;吳健偉;;礦井突水水源的SVM識(shí)別方法[J];遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年01期

4 楊清;文紅;陳松林;王玉秀;;基于SVM算法的移動(dòng)智能終端安全等級(jí)分級(jí)模型[J];通信技術(shù);2017年04期

5 滿宴辰;楊成佳;;圖像視覺(jué)顯著性和改進(jìn)型SVM在圖像分割中的研究[J];通訊世界;2017年08期

6 程鳳偉;;一種基于決策樹(shù)的SVM算法[J];太原學(xué)院學(xué)報(bào)(自然科學(xué)版);2017年01期

7 吳翠穎;周濤;陸惠玲;姚中寶;王媛媛;楊鵬飛;;基于集成SVM的肺部腫瘤PET/CT三模態(tài)計(jì)算機(jī)輔助診斷方法[J];生物醫(yī)學(xué)工程研究;2017年03期

8 湯�；�;;基于SVM的醫(yī)藥企業(yè)財(cái)務(wù)危機(jī)預(yù)警研究[J];中國(guó)集體經(jīng)濟(jì);2017年29期

9 王芳;吳志泉;史紅權(quán);;SVM在空中目標(biāo)威脅值評(píng)估中的應(yīng)用[J];火力與指揮控制;2017年09期

10 楊海蘭;周培祥;;基于SVM的中國(guó)家族企業(yè)引入外部職業(yè)經(jīng)理人風(fēng)險(xiǎn)預(yù)測(cè)研究[J];經(jīng)濟(jì)體制改革;2017年05期

相關(guān)會(huì)議論文 前10條

1 李薇;劉琦;馬占鴻;;基于SVM法的小麥條銹病潛育期冠層高光譜識(shí)別研究[A];植�？萍紕�(chuàng)新與農(nóng)業(yè)精準(zhǔn)扶貧——中國(guó)植物保護(hù)學(xué)會(huì)2016年學(xué)術(shù)年會(huì)論文集[C];2016年

2 楊鎮(zhèn)宇;祝詩(shī)平;;基于機(jī)器視覺(jué)和SVM的花椒外觀品質(zhì)檢測(cè)[A];2009全國(guó)虛擬儀器大會(huì)論文集（二）[C];2009年

3 張國(guó)棟;朱明華;余圣甫;張建強(qiáng);李志遠(yuǎn);;藥芯焊絲飛濺率的SVM模型研究[A];第十五次全國(guó)焊接學(xué)術(shù)會(huì)議論文集[C];2010年

4 司愛(ài)威;馮輔周;江鵬程;饒國(guó)強(qiáng);王建;;基于可變風(fēng)險(xiǎn)SVM模型的故障識(shí)別方法研究[A];第十屆全國(guó)振動(dòng)理論及應(yīng)用學(xué)術(shù)會(huì)議論文集（2011）上冊(cè)[C];2011年

5 滕衛(wèi)平;胡波;滕舟;鐘元;;SVM回歸法在西太平洋熱帶氣旋路徑預(yù)報(bào)中的應(yīng)用研究[A];S1 災(zāi)害天氣研究與預(yù)報(bào)[C];2012年

6 陳志建;宋家驊;程琳;;基于小波SVM的高速公路交通事件檢測(cè)算法[A];城市交通發(fā)展模式轉(zhuǎn)型與創(chuàng)新——中國(guó)城市交通規(guī)劃2011年年會(huì)暨第25次學(xué)術(shù)研討會(huì)論文集[C];2014年

7 朱蕾;朱國(guó)棟;石江;;SVM方法在烏魯木齊機(jī)場(chǎng)跑道視程預(yù)測(cè)中的應(yīng)用[A];中國(guó)氣象學(xué)會(huì)2007年年會(huì)天氣預(yù)報(bào)預(yù)警和影響評(píng)估技術(shù)分會(huì)場(chǎng)論文集[C];2007年

8 王薇;李曉輝;;CDMA系統(tǒng)中基于SVM的多用戶檢測(cè)算法[A];第十九屆電工理論學(xué)術(shù)年會(huì)論文集[C];2007年

9 王紅軍;徐小力;付瑤;;基于SVM的旋轉(zhuǎn)機(jī)械故障診斷知識(shí)獲取[A];第八屆全國(guó)設(shè)備與維修工程學(xué)術(shù)會(huì)議、第十三屆全國(guó)設(shè)備監(jiān)測(cè)與診斷學(xué)術(shù)會(huì)議論文集[C];2008年

10 李玉峰;鄭德權(quán);趙鐵軍;;基于SVM和多特征融合的圖像分類[A];第四屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集（上）[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 張?jiān)獋b;基于SVM學(xué)習(xí)模型的換擋決策研究[D];吉林大學(xué);2019年

2 張婧;基于SVM的肺結(jié)節(jié)自動(dòng)識(shí)別方法研究[D];華南理工大學(xué);2011年

3 歐陽(yáng)玲;基于遙感和SVM模型的松嫩平原南部耕地質(zhì)量評(píng)價(jià)[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所);2017年

4 陳沅濤;圖像視覺(jué)顯著性和改進(jìn)型SVM在圖像分割中的研究[D];南京理工大學(xué);2014年

5 張克;基于地震正演模擬和SVM的煤與瓦斯突出危險(xiǎn)區(qū)預(yù)測(cè)研究[D];中國(guó)礦業(yè)大學(xué);2011年

6 宋國(guó)明;基于提升小波及SVM優(yōu)化的模擬電路智能故障診斷方法研究[D];電子科技大學(xué);2010年

7 陳志茹;基于SVM集成學(xué)習(xí)的miRNA靶基因預(yù)測(cè)研究[D];燕山大學(xué);2015年

8 陳梅香;基于SVM和GIS的梨小食心蟲(chóng)預(yù)測(cè)系統(tǒng)的研究[D];北京林業(yè)大學(xué);2010年

9 江娜;SVM及其在船舶航向控制系統(tǒng)故障預(yù)報(bào)中的應(yīng)用研究[D];哈爾濱工程大學(xué);2008年

10 黃劍鋒;基于振動(dòng)信號(hào)SVM的管殼式換熱器堵塞故障診斷方法研究[D];華南理工大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 朱旭f;基于多傳感器特征融合和SVM的跌倒檢測(cè)系統(tǒng)設(shè)計(jì)[D];廣東工業(yè)大學(xué);2019年

2 王霄;基于SVM的滬深300指數(shù)量化擇時(shí)策略實(shí)證研究[D];蘭州大學(xué);2019年

3 鄭留洋;基于車聯(lián)網(wǎng)數(shù)據(jù)的貨車出行風(fēng)險(xiǎn)畫(huà)像與影響因素分析[D];北京交通大學(xué);2019年

4 趙云飛;基于SVM的風(fēng)電工程項(xiàng)目風(fēng)險(xiǎn)評(píng)價(jià)及防控措施研究[D];華北電力大學(xué)(北京);2019年

5 許麗;用SVM回歸實(shí)驗(yàn)對(duì)大氣污染數(shù)據(jù)的處理研究[D];天津財(cái)經(jīng)大學(xué);2018年

6 王洪兵;SVM集成與增量算法在入侵檢測(cè)中的應(yīng)用研究[D];武漢理工大學(xué);2018年

7 代瑜;基于SVM與LDA的WEB正文提取[D];武漢工程大學(xué);2018年

8 高晗;基于SVM的圖像分類算法[D];吉林大學(xué);2019年

9 鄧瓊;道路交通標(biāo)志的檢測(cè)算法研究[D];安徽工程大學(xué);2018年

10 金j;SVM與神經(jīng)網(wǎng)絡(luò)的組合模型在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用研究[D];吉林大學(xué);2018年

本文編號(hào)：2620768