隨著全球經(jīng)濟的不斷高速發(fā)展,金融業(yè)進入了蓬勃發(fā)展的時期,各種金融產(chǎn)品和金融衍生品層出不窮。作為量化投資領(lǐng)域中的一個重要工具,投資組合理論越來越受到投資者的關(guān)注,并對金融投資領(lǐng)域的發(fā)展起著至關(guān)重要的作用。投資組合理論的本質(zhì)是探求相對最佳的投資組合方案,也就是在既定的獲利條件下使得投資活動所承擔的風險降至最低或者是在既定的投資活動風險狀況下使得投資活動所獲得的利潤達到最高水平。時間序列聚類分析是時間序列數(shù)據(jù)挖掘中重要的研究內(nèi)容,通常由于時間序列數(shù)據(jù)的特殊結(jié)構(gòu),導(dǎo)致一般的聚類算法不能直接應(yīng)用于時間序列數(shù)據(jù)。本文提出了一種基于獨立成分分析與自適應(yīng)K-均值算法相結(jié)合的股票投資組合構(gòu)建方法,該方法首先利用獨立成分分析對時間序列數(shù)據(jù)進行特征提取,然后利用改進K-均值聚類算法完成對時間序列特征數(shù)據(jù)的聚類分析,最后利用基于整數(shù)規(guī)劃的馬科維茨模型構(gòu)建投資組合。將其應(yīng)用于實際的股票時間序列數(shù)據(jù)中,數(shù)值結(jié)果驗證了該方法的有效性和可行性。本文的研究內(nèi)容主要有兩個方面:一、傳統(tǒng)的K-均值算法需要用戶事先指定聚類數(shù)目并且由于初始點選擇的隨機性,無法得到全局最優(yōu)解。本文借鑒DBSCAN算法的思想提出自適應(yīng)K-均值算法有效的克服了初始點隨機和聚類數(shù)目需要人為指定這兩個缺點,使得聚類效果更加準確、穩(wěn)定。二、大多數(shù)金融資產(chǎn)的收益序列并不是高斯分布,而是大多呈現(xiàn)“尖峰厚尾”的非高斯分布,而ICA恰恰是處理非高斯分布數(shù)據(jù)的方法。本文提出基于ICA-K-均值模型的投資組合構(gòu)建方法,先利用ICA對時間序列特征提取,然后利用自適應(yīng)K-均值算法進行聚類并利用基于整數(shù)規(guī)劃的馬科維茨模型構(gòu)建投資組合。本文的第一章簡要介紹了獨立成分分析、聚類分析以及投資組合理論的發(fā)展現(xiàn)狀;第二章主要介紹獨立成分分析的基本理論及方法;第三章主要介紹聚類分析的基本理論及算法并結(jié)合K-均值算法和DBSCAN算法的原理和優(yōu)缺點以及改進的K-均值算法;第四章是提出一種自適應(yīng)K-均值算法和基于ICA-K-均值模型的投資組合構(gòu)建方法;第五章是數(shù)值實驗。最后對全文總結(jié)和展望。
【學位單位】：大連理工大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP311.13;F830.91
【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究的背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢
    1.3 論文的主要研究內(nèi)容和結(jié)構(gòu)安排
2 獨立成分分析的基本理論及算法
3 聚類分析的基本理論及算法
    3.1 聚類分析基本理論
        3.1.1 聚類的定義
        3.1.2 聚類的主要步驟
        3.1.3 聚類的相似性度量
        3.1.4 聚類的準則函數(shù)
        3.1.5 聚類算法的分類
    3.2 K-均值算法
    3.3 DBSCAN算法
    3.4 改進的K-均值算法
        3.4.1 Guo的K-均值聚類算法
        3.4.2 Lai的K-均值聚類算法
4 ICA-K-均值模型
    4.1 基于ICA-K-均值模型的投資組合構(gòu)建方法
    4.2 自適應(yīng)K-均值算法
5 數(shù)值實驗
結(jié)論
參考文獻
附錄
攻讀碩士學位期間發(fā)表學術(shù)論文情況
致謝

【參考文獻】

相關(guān)期刊論文 前10條

1 玄海燕;包海明;石新勇;楊娜娜;;穩(wěn)定分布的多期投資組合模型及其應(yīng)用[J];數(shù)學雜志;2015年03期

2 韋增欣;韋鑫;周智超;;三類風險偏好投資者的投資組合模型[J];統(tǒng)計與決策;2013年22期

3 曾艷姍;嚴鴻鳴;侯超鈞;;多期均值-半絕對偏差投資組合模型[J];經(jīng)濟研究導(dǎo)刊;2012年23期

4 任大源;徐玖平;黃南京;吳萌;;含交易成本和機會成本的極小極大多期投資組合選擇模型[J];系統(tǒng)工程理論與實踐;2012年01期

5 張鵬;;均值—動態(tài)VaR多階段投資組合優(yōu)化研究[J];數(shù)學的實踐與認識;2011年15期

6 高岳林;孫瀅;安曉會;;基于偏度的多期證券投資組合模型研究[J];商業(yè)研究;2010年02期

7 余先川;曹婷婷;楊春萍;陳煥東;吳淑雷;;基于稀疏成分分析的遙感影像分類[J];地球物理學進展;2009年06期

8 郭崇慧;賈宏峰;張娜;;基于ICA的時間序列聚類方法及其在股票數(shù)據(jù)分析中的應(yīng)用[J];運籌與管理;2008年05期

9 賴玉霞;劉建平;;K-means算法的初始聚類中心的優(yōu)化[J];計算機工程與應(yīng)用;2008年10期

10 徐緒松;侯成琪;;非正態(tài)穩(wěn)定分布條件下的投資組合模型:均值-尺度參數(shù)模型[J];系統(tǒng)工程理論與實踐;2006年09期

本文編號：2880321