隨著金融市場與量化交易的不斷發(fā)展,高頻交易已經(jīng)成為量化交易發(fā)展的核心。越來越多的投資者加大了對高頻交易研發(fā)的投入,并逐漸轉(zhuǎn)向依靠高頻交易獲取穩(wěn)定的盈利模式。高頻交易的核心是對高頻交易數(shù)據(jù)進(jìn)行分析。機(jī)器學(xué)習(xí)技術(shù)是現(xiàn)代統(tǒng)計學(xué)習(xí)理論中最重要的發(fā)展技術(shù)之一,通過對樣本數(shù)據(jù)的建模分析,從而刻畫出樣本數(shù)據(jù)背后蘊(yùn)含的模式。在量化投資與高頻交易領(lǐng)域,機(jī)器學(xué)習(xí)也有著非常廣泛的應(yīng)用。本文主要研究機(jī)器學(xué)習(xí)算法在期貨市場高頻交易領(lǐng)域價格趨勢的研究。本文首先研究了機(jī)器學(xué)習(xí)算法中應(yīng)用較為廣泛的隨機(jī)森林和支持向量機(jī)模型。針對金融市場中對數(shù)據(jù)時效性要求的特征,考慮近端數(shù)據(jù)的信息量高于遠(yuǎn)端數(shù)據(jù),構(gòu)建了加權(quán)支持向量機(jī)模型,通過對樣本數(shù)據(jù)進(jìn)行時間加權(quán),提升模型擬合準(zhǔn)確性和時效性。針對價格趨勢研究,需要將其轉(zhuǎn)化為分類問題,定義價格趨勢分為上漲、下跌和穩(wěn)定三類,并將其量化進(jìn)行分類。然后構(gòu)建了高頻交易數(shù)據(jù)指標(biāo)體系結(jié)構(gòu)作為樣本數(shù)據(jù)的特征集。由于境內(nèi)黃金期貨主力合約日內(nèi)交易量較大,市場流動性高,所以采用黃金期貨數(shù)據(jù)實證分析。文章首先研究了黃金期貨日內(nèi)數(shù)據(jù)的分布,利用隨機(jī)森林模型進(jìn)行指標(biāo)特征重要性排序和參數(shù)訓(xùn)練,研究發(fā)現(xiàn)指標(biāo)特征存在較強(qiáng)的規(guī)律型和分層結(jié)構(gòu)。通過重抽樣方法對支持向量機(jī)模型進(jìn)行參數(shù)尋優(yōu)。最后對本文構(gòu)建的加權(quán)支持向量機(jī)模型進(jìn)行訓(xùn)練。研究發(fā)現(xiàn)高頻交易價格趨勢與市場報單量具有極高的相關(guān)性,與市場價格等相關(guān)指標(biāo)幾乎沒有相關(guān)性。通過對三類模型訓(xùn)練結(jié)果的對比,證明加權(quán)支持向量機(jī)在一定程度上提升了模型擬合準(zhǔn)確率,也相應(yīng)降低了模型的訓(xùn)練時間。加權(quán)支持向量機(jī)模型綜合了隨機(jī)森林無需進(jìn)行樣本重抽樣以及訓(xùn)練時間短的優(yōu)勢和支持向量機(jī)預(yù)測準(zhǔn)確率高的優(yōu)勢,在實際應(yīng)用領(lǐng)域具有更高的應(yīng)用價值。
【學(xué)位單位】：上海交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：F830.9
【部分圖文】：

上海交通大學(xué)碩士學(xué)位論文單位對每個數(shù)據(jù)點進(jìn)行分類的賦值，定義 mid P大于-0.07 時為跌，在-0.07 和 0.07 之間的為穩(wěn)定。針對期趨勢，即 midP在 個 tick 之后的價格與當(dāng)前的價格從而對價格發(fā)展進(jìn)行分類。即在 個 tick 之后，若；若 比當(dāng)前高 0.07，則分為漲；若 midP變化處 月14日上午9:00 至 2017 年8月15日凌晨2:30 的交tick, 30tick， 60tick, 120tick下，價格發(fā)展的趨勢分類
【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 陳艷;王宣承;;基于變量選擇和遺傳網(wǎng)絡(luò)規(guī)劃的期貨高頻交易策略研究[J];中國管理科學(xué);2015年10期

2 燕汝貞;李平;曾勇;;一種面向高頻交易的算法交易策略[J];管理科學(xué)學(xué)報;2014年03期

3 賽英;張鳳廷;張濤;;基于支持向量機(jī)的中國股指期貨回歸預(yù)測研究[J];中國管理科學(xué);2013年03期

4 廖旦;陸蓉;;高頻交易對市場影響研究新進(jìn)展[J];經(jīng)濟(jì)學(xué)動態(tài);2013年04期

5 董師師;黃哲學(xué);;隨機(jī)森林理論淺析[J];集成技術(shù);2013年01期

6 姚登舉;楊靜;詹曉娟;;基于隨機(jī)森林的特征選擇算法[J];吉林大學(xué)學(xué)報(工學(xué)版);2014年01期

7 郭朋;;國外高頻交易的發(fā)展現(xiàn)狀及啟示[J];證券市場導(dǎo)報;2012年07期

8 馬景義;吳喜之;謝邦昌;;擬自適應(yīng)分類隨機(jī)森林算法[J];數(shù)理統(tǒng)計與管理;2010年05期

本文編號：2862582