【摘要】：隨著中國經(jīng)濟的發(fā)展與進步,中國證券市場受到越來越多人的關(guān)注,股票已經(jīng)成為廣大投資者進行投資的重要途徑。影響股票漲跌的因素很多,其收益若能成功預(yù)測,可以有效規(guī)避股票投資風(fēng)險以及消除盲目投資的弊端。本文從構(gòu)建選股因子指標(biāo)池出發(fā),接著運用隨機森林算法和遞歸特征消除算法從因子指標(biāo)池中篩選出合適的因子指標(biāo)構(gòu)成指標(biāo)體系;再根據(jù)相應(yīng)公式計算出股票收益,并將其分為兩種狀態(tài)(漲、跌),將選股研究簡化為二分類問題;接著使用樣本數(shù)據(jù)對SVM模型以及BP神經(jīng)網(wǎng)絡(luò)模型進行調(diào)參處理,挑選出最合適的弱分器,最后分別將SVM模型和BP神經(jīng)網(wǎng)絡(luò)模型與AdaBoost模型結(jié)合,構(gòu)造出SVM_AdaBoost模型和BP_AdaBoost模型對股票盈虧進行預(yù)測,幫助解決股票投資選擇問題。本文首先介紹了A股市場的背景知識,概述了國內(nèi)外已有的部分研究方法,分析了現(xiàn)有的幾種股票預(yù)測模型;接著介紹了隨機森林算法、遞歸特征消除算法、SVM模型、AdaBoost模型以及BP神經(jīng)網(wǎng)絡(luò)的相關(guān)知識;隨后對因子池中的五個方面的因子進行了相關(guān)闡述。實證環(huán)節(jié)中選取了A股作為實證研究對象,首先驗證了隨機森林算法和遞歸特征消除算法在特征挑選上的可行性,接著分別驗證了RBFSVM在不同核函數(shù)下的預(yù)測表現(xiàn)以及BP神經(jīng)網(wǎng)絡(luò)的表現(xiàn)情況,實證表明除了sigmoid-SVM算法表現(xiàn)較差之外,其他分類器均具有不錯的性能。然而單一的SVM和BP神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)不穩(wěn)定,為改善這種情況,本文引入AdaBoost算法,構(gòu)造了SVM_AdaBoost模型和BP_AdaBoost模型。混合模型具備了兩方面模型的優(yōu)勢:混合模型可以減少SVM選擇核參數(shù)的復(fù)雜度以及BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率和隱藏層節(jié)點選擇的問題,而SVM核參數(shù)的多樣性和BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特性、學(xué)習(xí)率以及初始權(quán)值導(dǎo)致的多種解使得SVM模型和BP神經(jīng)網(wǎng)絡(luò)模型能夠訓(xùn)練出多種弱分類器;最后通過AdaBoost能夠結(jié)合多個分類器和關(guān)注錯分類樣本的特性構(gòu)造出強分類器,用于對股票收益進行預(yù)測。實證結(jié)果表明,SVM_AdaBoost模型和BP_AdaBoost模型均比原有的SVM模型以及BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測精度上有了一定程度的提升,其中SVM_AdaBoost模型表現(xiàn)最優(yōu)秀。但是上述模型均存在不穩(wěn)定的現(xiàn)象,所以還需要針對這一問題進行進一步研究,使得SVM_Ada Boost模型和BP_AdaBoost模型在進行股票漲跌預(yù)測時獲得更好的效果。
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：F832.51
【圖文】：

圖 1.1 技術(shù)路線圖1.3.2 主要創(chuàng)新點第一、應(yīng)用數(shù)據(jù)挖掘中的遞歸特征消除算法和隨機森林算法篩選出最相關(guān)的因子指標(biāo)，作為股票投資選擇指標(biāo)體系。第二、基于 SVM 算法和 BP 神經(jīng)網(wǎng)絡(luò)算法進行模擬預(yù)測，并且用 AdaBoost算法進行改進，構(gòu)造 SVM-AdaBoost 算法和 Bp-AdaBoost 算法進行模擬預(yù)測，擇優(yōu)用于實踐。

于 1995 年首先提出的，它是建立在統(tǒng)計學(xué)習(xí)理論的 VC 理論和結(jié)構(gòu)最小原理的在基礎(chǔ)之上，通過對尋找對特定訓(xùn)練樣本的學(xué)習(xí)精度和無錯誤地識別任意樣本的能力之間的最佳折中，以求獲得最好的推廣能力。支持向量機在解決非線性、小樣本及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并且在很大程度上解決了維數(shù)災(zāi)難、過度學(xué)習(xí)、非線性等問題，在回歸估計領(lǐng)域、函數(shù)擬合領(lǐng)域、風(fēng)向預(yù)算領(lǐng)域以及模式識別等領(lǐng)域都有很好的建樹，是當(dāng)下最為重要的機器學(xué)習(xí)理論之一。2.1.1 間隔與支持向量支持向量機根據(jù)訓(xùn)練樣本的不同包含了由簡到繁多個模型。對于訓(xùn)練數(shù)據(jù)而言，如果線性可分，可以采用硬間隔最大化，即硬間隔支持向量機；如果近似線性可分，可以采用軟間隔最大化，即軟間隔支持向量機；如果非線性可分，可以使用軟間隔最大化與核技巧，即非線性支持向量機。支 持 向 量 機 的 核 心 思 想 是 ： 對 于 給 定 的 訓(xùn) 練 集 ( ) ( ) ( ) ，其中 ，在樣本空間中找到一個劃分超平面，將不同類別的樣本區(qū)分開。一般情況下，若訓(xùn)練集線性可分，則理論上存在無窮多個劃分超平面將訓(xùn)練集正確分割，如圖 2.1 所示。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蔣焰;丁曉青;;基于多步校正的改進AdaBoost算法[J];清華大學(xué)學(xué)報(自然科學(xué)版)網(wǎng)絡(luò).預(yù)覽;2008年10期

2 李軍;閆佳佳;;基于KELM-AdaBoost方法的短期風(fēng)電功率預(yù)測（英文）[J];控制工程;2019年03期

3 王倫;;Adaboost-SVM多因子選股模型[J];經(jīng)濟研究導(dǎo)刊;2019年10期

4 葉曉波;秦海菲;呂永林;;一種改進的Adaboost-BP算法在手寫數(shù)字識別中的研究[J];大理大學(xué)學(xué)報;2019年06期

5 嚴(yán)智;張鵬;謝川;張鈺林;李保軍;;一種快速AdaBoost.RT集成算法時間序列預(yù)測研究[J];電子測量與儀器學(xué)報;2019年06期

6 李聞;王顯博;;基于Adaboost算法的人臉檢測的研究[J];中外企業(yè)家;2019年26期

7 李偉;嚴(yán)珂;陸慧娟;葉敏超;;基于Adaboost.RT算法的隧道沉降時間序列預(yù)測研究[J];中國計量大學(xué)學(xué)報;2019年03期

8 王玲娣;徐華;;AdaBoost的多樣性分析及改進[J];計算機應(yīng)用;2018年03期

9 杜瑞超;華繼學(xué);翟夕陽;李志鵬;;基于改進Real AdaBoost算法的軟件可靠性預(yù)測[J];空軍工程大學(xué)學(xué)報(自然科學(xué)版);2018年01期

10 王玲娣;徐華;;一種基于聚類和AdaBoost的自適應(yīng)集成算法[J];吉林大學(xué)學(xué)報(理學(xué)版);2018年04期

相關(guān)會議論文 前10條

1 蔡念;金豐;阮恭勤;潘晴;許少秋;;基于AdaBoost算法的圖像復(fù)原方法[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

2 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

3 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年計算機應(yīng)用與系統(tǒng)建模國際會議論文集[C];2012年

4 陸文聰;鈕冰;金雨歡;;基于AdaBoost算法的亞細(xì)胞位置預(yù)測[A];中國化學(xué)會第26屆學(xué)術(shù)年會化學(xué)信息學(xué)與化學(xué)計量學(xué)分會場論文集[C];2008年

5 陳宏偉;劉建偉;費向東;;一種半監(jiān)督環(huán)境下的Adaboost算法[A];2008'中國信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

6 唐曉丹;苗振江;;基于AdaBoost和粒子濾波的目標(biāo)跟蹤[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

7 于淼;李乃民;王寬全;賈丹兵;閆子飛;;基于AdaBoost的中醫(yī)舌診分類算法研究[A];第二次全國中西醫(yī)結(jié)合診斷學(xué)術(shù)研討會論文集[C];2008年

8 李晶;陳媛媛;;基于AdaBoost的車牌字符識別模型研究[A];2008中國儀器儀表與測控技術(shù)進展大會論文集（Ⅰ）[C];2008年

9 張超;苗振江;;基于AdaBoost的面部信息感知[A];第十三屆全國信號處理學(xué)術(shù)年會（CCSP-2007）論文集[C];2007年

10 郭翌;汪源源;;基于Adaboost算法的頸動脈粥樣硬化判別方法[A];中國儀器儀表學(xué)會第十一屆青年學(xué)術(shù)會議論文集[C];2009年

相關(guān)重要報紙文章 前1條

1 張陽;5G時代，AI能走多遠(yuǎn)？[N];人民郵電;2019年

相關(guān)博士學(xué)位論文 前10條

1 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

2 Ebenezer Owusu;[D];江蘇大學(xué);2014年

3 習(xí)文星;移動背景下視覺的行人檢測、識別與跟蹤技術(shù)研究[D];中國科學(xué)院研究生院(上海技術(shù)物理研究所);2015年

4 盧金娜;基于優(yōu)化算法的徑向基神經(jīng)網(wǎng)絡(luò)模型的改進及應(yīng)用[D];中北大學(xué);2015年

5 盧巖;交通監(jiān)控中的運動人體目標(biāo)檢測與跟蹤[D];中國科學(xué)院研究生院（長春光學(xué)精密機械與物理研究所）;2011年

6 王小明;可變光照下人臉檢測與識別研究[D];華東師范大學(xué);2010年

7 孫元;多媒體語義檢索關(guān)鍵問題研究[D];吉林大學(xué);2010年

8 王穎;成熟microRNA識別及其功能預(yù)測方法研究[D];哈爾濱工程大學(xué);2016年

9 吳暾華;面向中醫(yī)面診診斷信息提取的若干關(guān)鍵技術(shù)研究[D];廈門大學(xué);2008年

10 高常鑫;基于上下文的目標(biāo)檢測與識別方法研究[D];華中科技大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 王珊珊;基于AdaBoost和ELM的語音情感識別研究[D];天津師范大學(xué);2019年

2 鄭偉華;基于MCP懲罰的AdaBoost集成剪枝技術(shù)的研究[D];江西財經(jīng)大學(xué);2019年

3 王成龍;基于AdaBoost算法的車載CAN總線報文異常檢測[D];湖南師范大學(xué);2019年

4 王強;基于AdaBoost回歸樹的電網(wǎng)基建投資模型研究[D];電子科技大學(xué);2019年

5 趙云紅;基于Adaboost改進的BP神經(jīng)網(wǎng)絡(luò)地表沉陷預(yù)測研究[D];西安科技大學(xué);2019年

6 陳天昕;基于AdaBoost與SVM集成算法的高爐爐溫狀態(tài)解析[D];江西財經(jīng)大學(xué);2019年

7 李淑;人眼特征檢測的疲勞駕駛算法研究[D];長江大學(xué);2019年

8 周靖;基于機器學(xué)習(xí)的《紅樓夢》作者問題研究[D];云南大學(xué);2018年

9 劉樹燦;基于BP_Adaboost算法的軌面狀態(tài)識別研究[D];湖南工業(yè)大學(xué);2019年

10 鄧頎;人臉檢測技術(shù)的研究與實現(xiàn)[D];杭州電子科技大學(xué);2016年

本文編號：2719524