本研究在系統(tǒng)性地綜述了國內外量化投資發(fā)展狀況與機器學習分類算法在量化投資應用研究成果的基礎上,著重闡述了 BP神經網絡、隨機森林、支持向量機三種監(jiān)督性分類算法的概念與原理,結合2014年年初以來我國A股市場新股上市之后所呈現(xiàn)的連續(xù)一字漲停板現(xiàn)象,首創(chuàng)性地將各分類算法應用于預測新股開板后當日能否再次封住漲停板的應用場景中;在界定了具有“IPO后打開一字漲停板當天能夠重新封住漲停板”特征的新股樣本作為分類預測對象的同時,較為深入地結合了股市基本面分析框架,選擇了上市公司的規(guī)模、估值、盈利等自身的特質變量以及市場或行業(yè)熱度及風格轉換等不同維度與類型的外部市場變量構建了七個樣本輸入特征對各分類模型進行了監(jiān)督性訓練及參數(shù)優(yōu)化,篩選出了三種算法在本研究情境下的最優(yōu)參數(shù)模型,構建了一套完整的基于這三個分類預測模型的新股開板后博求再封板的短期交易策略,并對不同參數(shù)維度下的新股交易策略進行了樣本內回溯測試與樣本外模擬交易測試,主要得出了以下幾點結論與新股短期交易建議:1.從交易策略的標的選擇上看,若不對打開一字漲停板的新股進行一定的過濾而直接對所有新股在打開漲停板后均進行短期追多投機交易,從長期來看是一... 

【文章來源】：浙江大學浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 選題背景與研究意義
    1.2 量化投資國內外發(fā)展現(xiàn)狀
        1.2.1 國外量化投資發(fā)展現(xiàn)狀
        1.2.2 國內量化投資發(fā)展現(xiàn)狀
        1.2.3 量化投資預測模型的發(fā)展現(xiàn)狀
    1.3 主要研究內容與研究方法
    1.4 研究創(chuàng)新點
2 機器學習分類算法在量化投資中的預測應用文獻綜述
    2.1 BP神經網絡算法在量化投資中的預測應用研究綜述
    2.2 隨機森林算法在量化投資中的預測應用研究綜述
    2.3 支持向量機算法在量化投資中的預測應用研究綜述
    2.4 本章小結
3 三種機器學習分類算法原理概述
    3.1 BP神經網絡算法原理
    3.2 隨機森林算法原理
    3.3 支持向量機算法原理
    3.4 三種算法對比
4 我國滬深A股新股樣本變量構建
    4.1 封板新股樣本界定及收益率統(tǒng)計
    4.2 樣本變量構建
    4.3 各樣本變量數(shù)據(jù)來源及處理
        4.3.1 新股IPO及開板前市值與市盈率
        4.3.2 新股所屬指數(shù)板塊及開板前板塊熱度
        4.3.3 新股所屬行業(yè)板塊及開板前板塊熱度
        4.3.4 新股所屬行業(yè)板塊及開板前板塊熱度
    4.4 本章小結
5 機器學習分類算法預測新股開板當日再封板結果及分析
    5.1 隨機森林模型訓練及參數(shù)優(yōu)化
    5.2 支持向量機模型訓練及參數(shù)優(yōu)化
    5.3 BP神經網絡模型訓練及參數(shù)優(yōu)化
    5.4 三種算法預測結果綜合對比分析
    5.5 本章小結
6 基于預測模型的新股開板后交易策略研究
    6.1 基于新股開板再封板分類預測模型的交易策略構建
    6.2 交易策略樣本內測試結果及分析
    6.3 交易策略樣本外測試結果及分析
    6.4 本章小結
7 結論與展望
    7.1 基本結論與投資建議
    7.2 研究不足及展望
參考文獻


【參考文獻】：
期刊論文
[1]MLR和SVM模型在水電工程價格指數(shù)預測中的應用[J]. 郭琦,盧雅歡,陳志鼎,何湘君.  水電能源科學. 2016(10)
[2]大數(shù)據(jù)背景下我國上證50ETF期權定價研究[J]. 周玉琴,朱福敏.  東北農業(yè)大學學報(社會科學版). 2016(03)
[3]基于動態(tài)混沌神經網絡的預測研究——以馬鈴薯時間序列價格為例[J]. 李哲敏,許世衛(wèi),崔利國,張建華.  系統(tǒng)工程理論與實踐. 2015(08)
[4]基于隨機森林模型的房產價格評估[J]. 徐戈,張科.  統(tǒng)計與決策. 2014(17)
[5]基于網絡輿情支持向量機的股票價格預測研究[J]. 張世軍,程國勝,蔡吉花,楊建偉.  數(shù)學的實踐與認識. 2013(24)
[6]股票價格短期預測的LM遺傳神經網絡算法[J]. 肖菁,潘中亮.  計算機應用. 2012(S1)
[7]基于SVM神經網絡的滬深300股指期貨的實證研究[J]. 魏勤,張宇霖.  產業(yè)與科技論壇. 2012(10)
[8]灰色神經網絡在股票價格預測中的應用[J]. 鄭斯日古楞.  計算機仿真. 2012(02)
[9]基于遺傳算法神經網絡模型的蔬菜價格預報[J]. 郭強,羅長壽,魏清鳳.  安徽農業(yè)科學. 2011(26)
[10]基于SVM的股票時間序列的預測研究[J]. 呂琦.  吉林工程技術師范學院學報. 2011(07)

博士論文
[1]隨機森林算法優(yōu)化研究[D]. 曹正鳳.首都經濟貿易大學 2014

碩士論文
[1]Fama-French五因子模型在中國A股市場的實證研究[D]. 吳敏華.吉林大學 2016
[2]基于隨機森林和QGA-SVR的量化選股研究[D]. 林啟敏.華南理工大學 2016
[3]基于LSTM神經網絡的美股股指價格趨勢預測模型的研究[D]. 孫瑞奇.首都經濟貿易大學 2016
[4]基于ARIMA與SVM組合模型的煤炭價格預測[D]. 鄭榮.東華理工大學 2015
[5]基于徑向基神經網絡的白銀現(xiàn)貨價格預測研究[D]. 楊學文.燕山大學 2015
[6]基于隨機森林的指數(shù)化投資組合構建研究[D]. 韓燕龍.華南理工大學 2015
[7]基于網絡輿情的SVM股票價格預測研究[D]. 張世軍.南京信息工程大學 2014
[8]神經網絡技術在股票價格短期預測中的應用研究[D]. 閆冬.重慶交通大學 2013
[9]基于隨機森林模型的二手房價格評估研究[D]. 楊沐晞.中南大學 2012
[10]基于BP神經網絡的股票指數(shù)期貨價格預測[D]. 李聰.青島大學 2012



本文編號：2988797