【摘要】：股票價(jià)格受經(jīng)濟(jì)周期、金融政策、國際環(huán)境等因素的影響,所以股價(jià)的運(yùn)動方向未知而復(fù)雜。投資者在股市交易中還會受到信息不對稱、大客戶操縱、盲目從眾投資心態(tài)的干擾,因此探索一種預(yù)測股價(jià)走勢的方法尤為重要。為了精準(zhǔn)預(yù)測股價(jià)的走勢,本文提出了PCA-SVM-GARCH模型。該模型在支持向量機(jī)模型(SVM)的基礎(chǔ)上進(jìn)行優(yōu)化和改進(jìn),因此具有能夠處理多維非線性數(shù)據(jù)的特點(diǎn)。在構(gòu)建支持向量機(jī)模型時(shí),將模型的預(yù)測效果作為衡量標(biāo)準(zhǔn),可以篩選出支持向量機(jī)中最優(yōu)的核函數(shù)。再通過交叉驗(yàn)證法對參數(shù)組合進(jìn)行遍歷搜索,繼而確定最優(yōu)的參數(shù)組合,從而實(shí)現(xiàn)預(yù)測股價(jià)的漲跌趨勢和波動方向。PCA-SVM-GARCH借助主成分分析法(PCA)對輸入變量進(jìn)行降維處理,以消除變量間的多重共線性。通過廣義自回歸條件異方差模型(GARCH模型),使模型融合了股價(jià)的波動情況。因此PCA-SVM-GARCH模型較好的提高了SVM模型的整體性能。本文的研究標(biāo)的從隨機(jī)選擇的個(gè)股(科大訊飛)推廣到股指(滬深300),以模型預(yù)測的正確率和誤差作為衡量標(biāo)準(zhǔn),判別模型的優(yōu)劣。實(shí)證分析發(fā)現(xiàn)PCA-SVM-GARCH模型的預(yù)測正確率和準(zhǔn)確度均優(yōu)于SVM模型、SVM-GARCH模型和PCA-SVM模型。本文針對新提出的模型進(jìn)行了穩(wěn)定性分析,考慮了研究對象、持倉時(shí)間、數(shù)據(jù)時(shí)間周期對模型的影響。仿真實(shí)驗(yàn)證明該模型的預(yù)測效果穩(wěn)定,說明該模型具有普遍適用性、市場實(shí)用性和穩(wěn)定可行性。該模型可以為眾多投資者和市場監(jiān)管者帶來一定的指導(dǎo)方向和參考價(jià)值。
【圖文】：

6圖 1-1 本文實(shí)證分析思路圖1.4 本文創(chuàng)新點(diǎn)首先，本文將 PCA 模型、GARCH 模型與 SVM 理論相結(jié)合，構(gòu)建了 PCA-SVM-GARCH 模型。該模型對股價(jià)的預(yù)測誤差和預(yù)測正確率都極大程度的優(yōu)于 SVM 基礎(chǔ)模型，充分說明引入 PCA 和 GARCH 后，模型的預(yù)測能力得到了優(yōu)化和提高。其次，本文實(shí)證同時(shí)使用高頻數(shù)據(jù)和交叉驗(yàn)證法，在充分反映股市信息的同時(shí)，也致力于尋找模型的最優(yōu)解。這都增強(qiáng)了 PCA-SVM-GARCH 模型的學(xué)習(xí)能力，是實(shí)現(xiàn)股價(jià)精準(zhǔn)預(yù)測的良好辦法。最后，本文對組合模型進(jìn)行了股指預(yù)測的推廣，發(fā)現(xiàn)該模型對股指也能實(shí)現(xiàn)較好的預(yù)測，說明模型具有普遍適用性。通過分析數(shù)據(jù)周期、持倉天數(shù)、個(gè)股選擇對模型的影響，發(fā)現(xiàn)模型的預(yù)測正確率較高，說明模型具有良好的穩(wěn)定性。

圖 2-1 機(jī)器學(xué)習(xí)模型圖機(jī)器學(xué)習(xí)是從函數(shù)集 f x, a ,a C中擇優(yōu)選取最接近 G 響應(yīng)的一個(gè)函數(shù)，擇優(yōu)選取的標(biāo)準(zhǔn)依賴于訓(xùn)練集。訓(xùn)練集則是以分布函數(shù) F x, y F x F y |x 隨機(jī)選取的獨(dú)立同分布數(shù)據(jù)樣本( ),( ),......,( )為前提的。機(jī)器學(xué)習(xí)的最終目的可以簡述為:根據(jù) n 個(gè)獨(dú)立同分布的樣本數(shù)據(jù)，在一系列函數(shù) f x ,a 中求解優(yōu)化函數(shù)0f ( x , a)，，并對 G 的響應(yīng)進(jìn)行評計(jì)算評估，以實(shí)現(xiàn)期望風(fēng)險(xiǎn)最小化。R( ) = ( ( )) ( ) (2-1)式(2-1)中的 ( )是不確定的，機(jī)器學(xué)習(xí)的種類不同會導(dǎo)致?lián)p失函數(shù)的差異。令 z 表示數(shù)據(jù)對(x,y)，可以表達(dá)為 Q(z,a)，由于函數(shù) F(x,y)是未知的，所以一般借助最小經(jīng)驗(yàn)風(fēng)險(xiǎn)泛函: ( ) = ( ) (2-2)用式(2-2)替代風(fēng)險(xiǎn)泛函 R(a)的最小化，從而使經(jīng)驗(yàn)風(fēng)險(xiǎn)泛函 ( )最小的函數(shù) Q(z, )接近使期望風(fēng)險(xiǎn)泛函 R(a)最小的函數(shù) Q(z, )，即經(jīng)驗(yàn)風(fēng)險(xiǎn)最小
【學(xué)位授予單位】：首都經(jīng)濟(jì)貿(mào)易大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP181;F832.51

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉曉倩;王健;吳廣;;基于高頻數(shù)據(jù)HAR-CVX模型的滬深300指數(shù)的預(yù)測研究[J];中國管理科學(xué);2017年06期

2 鐘媛;;基于機(jī)器學(xué)習(xí)的版權(quán)金融化價(jià)值評估模型研究[J];上海經(jīng)濟(jì)研究;2017年06期

3 張紅;高帥;張洋;;基于主成分分析和支持向量機(jī)的企業(yè)盈利能力預(yù)測[J];統(tǒng)計(jì)與決策;2016年23期

4 張貴生;張信東;;基于近鄰互信息的SVM-GARCH股票價(jià)格預(yù)測模型研究[J];中國管理科學(xué);2016年09期

5 于志軍;楊善林;章政;焦健;;基于誤差校正的灰色神經(jīng)網(wǎng)絡(luò)股票收益率預(yù)測[J];中國管理科學(xué);2015年12期

6 劉廷;;基于支持向量機(jī)的股票預(yù)測[J];信息通信;2015年08期

7 劉向麗;王旭朋;;基于小波分析的股指期貨高頻預(yù)測研究[J];系統(tǒng)工程理論與實(shí)踐;2015年06期

8 瞿慧;李潔;程昕;;HAR族模型與GARCH族模型對不同期限波動率的預(yù)測精度比較——基于滬深300指數(shù)高頻價(jià)格的實(shí)證分析[J];系統(tǒng)工程;2015年03期

9 王天一;趙曉軍;黃卓;;利用高頻數(shù)據(jù)預(yù)測滬深300指數(shù)波動率——基于Realized GARCH模型的實(shí)證研究[J];世界經(jīng)濟(jì)文匯;2014年05期

10 紀(jì)昌明;周婷;向騰飛;黃海濤;;基于網(wǎng)格搜索和交叉驗(yàn)證的支持向量機(jī)在梯級水電系統(tǒng)隱隨機(jī)調(diào)度中的應(yīng)用[J];電力自動化設(shè)備;2014年03期

相關(guān)碩士學(xué)位論文 前2條

1 劉璽;基于BP神經(jīng)網(wǎng)絡(luò)的股價(jià)預(yù)測方法研究[D];北京交通大學(xué);2016年

2 沈波;基于BP神經(jīng)網(wǎng)絡(luò)的股價(jià)預(yù)測應(yīng)用研究[D];湖南大學(xué);2010年

本文編號：2701147