發(fā)布時間：2020-04-09 17:14

【摘要】：股票市場是企業(yè)融資和股民投資的重要手段,股市預(yù)測研究對投資者、企業(yè)、政府政策制定都具有重大的理論與現(xiàn)實意義。相較于單日預(yù)測,短線趨勢的預(yù)測尤其是短線趨勢拐點(diǎn)的預(yù)測無論是對于短線投資者還是中長線投資者都具有很大的操作指導(dǎo)意義。但股市受到實時因素的影響,且這些因素具有不確定性,因而股票趨勢數(shù)據(jù)的分布具有可變性。傳統(tǒng)方法是利用大樣本數(shù)據(jù)學(xué)習(xí)模型,忽略數(shù)據(jù)分布可變性,難以有效預(yù)測股市拐點(diǎn)。有學(xué)者提出滑動窗口方法對近期數(shù)據(jù)進(jìn)行訓(xùn)練,屬于小樣本學(xué)習(xí)問題,容易產(chǎn)生過擬合,導(dǎo)致模型的泛化能力不強(qiáng)�；诖�,論文研究工作如下:針對小樣本,基于數(shù)據(jù)分布變化檢測和大樣本學(xué)習(xí)獲得的知識,提出一種混合加權(quán)的支持向量機(jī)模型(Mixed Weighted Support Vector Machine,MW-SVM)用于股市拐點(diǎn)預(yù)測。新模型在加權(quán)支持向量機(jī)模型(W-SVM)中引入平衡項以避免過擬合,平衡項是用大樣本學(xué)習(xí)得到模型參數(shù)和用當(dāng)前小樣本對學(xué)習(xí)所得模型參數(shù)的均方誤差,并利用KL散度度量小樣本分布與大樣本分布之間的距離�；谛履Ｐ�,提出一種特征能量融合的拐點(diǎn)預(yù)測算法;提取與拐點(diǎn)相關(guān)的技術(shù)指標(biāo),并對技術(shù)指標(biāo)進(jìn)行量化計算,進(jìn)而利用馬爾可夫毯對量化后的指標(biāo)進(jìn)行特征能量融合,最后將能量信息帶入到MW-SVM得到基于能量的MW-SVM模型(MW-SVM based on energy,EMW-SVM),對股市拐點(diǎn)進(jìn)行預(yù)測。實驗結(jié)果表明,EMW-SVM算法具有良好的性能�；贓MW-SVM算法,從滬深300成分股中選擇預(yù)測結(jié)果為低點(diǎn)的股票用于投資組合。股票的最優(yōu)投資組合策略也是股票實際操作一個難題。當(dāng)前利用歷史數(shù)據(jù)的組合模型,忽略近期數(shù)據(jù)分布的變化,導(dǎo)致組合難以有效適應(yīng),收益表現(xiàn)不夠穩(wěn)定。提出一種數(shù)據(jù)分布可變的概率投資組合模型(Probability Portfolio Model,PPM)。首先做空滬深300股指期貨以對沖大盤,同時最大化組合跑贏滬深300指數(shù)的概率。在收益率數(shù)據(jù)服從獨(dú)立同分布的假定下,利用近期數(shù)據(jù)模擬差額收益△Cr(組合收益減去滬深300指數(shù)漲幅)的概率分布,并借鑒在險價值(Value at Risk,VaR)的思想,在給定置信水平α下得到△Cr的最小收益,并最大化該最小收益。在此基礎(chǔ)上,引入KL散度檢測數(shù)據(jù)分布變化,當(dāng)KL散度超過給定閾值后則重新計算模型以使模型適應(yīng)當(dāng)前分布。最后通過股市的數(shù)值算例表明PPM算法具有良好的性能。
【圖文】：

點(diǎn)的父結(jié)點(diǎn)組成的［４８１。逡逑由圖可知，８號拐點(diǎn)的父節(jié)點(diǎn)為１、２，子節(jié)點(diǎn)為５、６、７，子節(jié)點(diǎn)的父節(jié)點(diǎn)為１、逡逑２、３、５，其馬爾科夫毯如圖３．３所示。逡逑設(shè)中為拐點(diǎn)信息，馬爾科夫毯對拐點(diǎn)相關(guān)特征融合后的能量用Ｐ表示，其條逡逑件概率函數(shù)為：逡逑Ｐ｛ｔｐ）邋＝邋Ｐ（邋Ｅ＇ｐ｜邋Ｔｌ，Ｔ２，Ｔ３，Ｔ５，Ｔ６，Ｔ７）邐（３．２３）逡逑２４逡逑

合肥工業(yè)大學(xué)碩士學(xué)位論文逡逑圖３．２拐點(diǎn)的貝葉斯網(wǎng)絡(luò)逡逑Ｆｉｇ３．２邋Ｂａｙｅｓｉａｎ邋ｎｅｔｗｏｒｋ邋ｏｆ邋ｔｕｒｎｉｎｇ邋ｐｏｉｎｔ逡逑其中，１－７號節(jié)點(diǎn)分別代表Ｔ１－Ｔ７指標(biāo)，８號節(jié)點(diǎn)為拐點(diǎn)。逡逑對于一個變量７１和變量子集又ｒｇＳ，給定ｒ的馬爾科夫毯（記作ＭＢ（７）），若變逡逑量ｒ與貝葉斯網(wǎng)絡(luò)中的其它變量間是條件獨(dú)立的，即存在ｉＣＳＴｌＭＢＣＴ）），，稱ＭＢ（Ｔ）逡逑為最小特征子集［４６］。ＭＢ（７）包含了變量ｒ的所有信息，且這些信息無法從變量集的逡逑其他變量中得到［４７］。在貝葉斯網(wǎng)絡(luò)圖中，ＭＢ（７）由變量ｒ的父結(jié)點(diǎn)、子結(jié)點(diǎn)和子結(jié)逡逑點(diǎn)的父結(jié)點(diǎn)組成的［４８１。逡逑由圖可知，８號拐點(diǎn)的父節(jié)點(diǎn)為１、２，子節(jié)點(diǎn)為５、６、７，子節(jié)點(diǎn)的父節(jié)點(diǎn)為１、逡逑２、３、５，其馬爾科夫毯如圖３．３所示。逡逑設(shè)中為拐點(diǎn)信息
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：F830.91;TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 楊莎;余偉;李石君;曹晶晶;劉晶;;基于Web大數(shù)據(jù)挖掘的證券價格波動實時影響研究[J];計算機(jī)科學(xué);2015年04期

2 王浩;李國歡;姚宏亮;李俊照;;基于影響力計算模型的股票網(wǎng)絡(luò)社團(tuán)劃分方法[J];計算機(jī)研究與發(fā)展;2014年10期

3 孫彬;李鐵克;張文學(xué);;基于結(jié)構(gòu)修剪神經(jīng)網(wǎng)絡(luò)的股票指數(shù)預(yù)測模型[J];計算機(jī)應(yīng)用研究;2011年08期

4 楊新斌;黃曉娟;;基于支持向量機(jī)的股票價格預(yù)測研究[J];計算機(jī)仿真;2010年09期

5 鄧華麗;李修全;;基于混沌時間序列分析的股票價格拐點(diǎn)預(yù)測方法[J];統(tǒng)計與決策;2007年09期

6 黃龍光,劉三陽;向量映射的鞍點(diǎn)和Lagrange對偶問題[J];系統(tǒng)科學(xué)與數(shù)學(xué);2005年04期

7 劉宇飛;VaR模型及其在金融監(jiān)管中的應(yīng)用[J];經(jīng)濟(jì)科學(xué);1999年01期

本文編號：2621033