隨著人工智能技術(shù)的發(fā)展,量化投資已成為歐美資本市場發(fā)展的熱點與焦點,越來越多的公司將數(shù)據(jù)挖掘技術(shù)和機(jī)器學(xué)習(xí)算法應(yīng)用于金融量化投資領(lǐng)域。利用機(jī)器學(xué)習(xí)方法進(jìn)行股票價格和走勢預(yù)測,以及利用股票未來趨勢進(jìn)行量化選股的研究是非常具有實際意義的,并具有良好的發(fā)展前景。本文主要基于機(jī)器學(xué)習(xí)中的K-近鄰算法（KNN）來進(jìn)行股票價格和股票指數(shù)的趨勢預(yù)測,在分類算法的子進(jìn)程——時間序列的相似性度量中應(yīng)用動態(tài)時間彎曲（DTW）,構(gòu)建了DTW-KNN模型,并充分分析了量價關(guān)系,將換手率作為成交量的度量,構(gòu)建了基于量價關(guān)系的改進(jìn)模型。同時本文應(yīng)用支持向量機(jī)模型作為本文構(gòu)建模型的對比模型。本文將三種模型應(yīng)用于中美股票市場,分別對上證50指數(shù)和標(biāo)準(zhǔn)普爾500指數(shù)進(jìn)行了趨勢預(yù)測。實證結(jié)果得到支持向量機(jī)模型和本文構(gòu)建的DTW-KNN模型和基于量價關(guān)系的改進(jìn)模型對股票指數(shù)趨勢預(yù)測的準(zhǔn)確率均能達(dá)到55%%以上,表明三種模型均是有效的,并且改進(jìn)模型的預(yù)測性能明顯優(yōu)于DTW-KNN模型和支持向量機(jī)模型。本文基于DTW-KNN模型和改進(jìn)模型在股票趨勢預(yù)測的基礎(chǔ)上結(jié)合我國股票市場的實際情況構(gòu)建了量化選股策略。策略回測結(jié)果表明,基于... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１：歐氏距離和ＤＴＷ匹配方式比較??

?ｔｎ．?（２．３）??＊５和ｒ被排列構(gòu)造成一個ｎｘｍ的矩陣（見圖２．２）。矩陣中的每個點（ｉ，ｊ）都對準(zhǔn)一??個時間序列和模式點元素＾和＾，其值為＆和￣的距離測度，通�？坍媰蓚�數(shù)的??距離有絕對距離和歐氏距離，不失一般性，本文采用的是如下的絕對距離：??ｄ（ｉ，ｊ）?＝?＼ｓｉ－ｔｊ＼．?（２．４）??構(gòu)造矩陣后，找到一個彎曲路徑，以達(dá)到使序列＾和模式ｒ的累積距離最小??的目的。彎曲路徑＝叫，．扣２，…，購＜＂（ｍａｘ（ｍ，ｎ）?ｇ?Ｋ?￡?ｍ?＋?ｎ?－?１）是一個網(wǎng)??格點序列，定義一個映射函數(shù)４?：?４?Ｗ，這樣就將＆?ｒ之間的對應(yīng)關(guān)系??轉(zhuǎn)變?yōu)橐粭l彎曲路徑

距離與前一點的彎曲路徑最小累積距離的和。??下面給出一個具體的實例來說明最小彎曲距離的計算過程，使用的數(shù)據(jù)??（此處的數(shù)據(jù)無實際意義，其波動模式和圖２．１中給出的波動模式相同）如下：??Ｔ＝?［８，１０，１２，１０，８，１２］，?（２．１１）??５＝?［９，１１，９，７，９，１１］．?（２．１２）??以ｒ作為模板，＾作為與之比較的模式序列，計算結(jié)果如圖２．３所示，左側(cè)??為模式ｒ的圖，右側(cè)下方為序列ｓ的圖，右側(cè)上方為最短的彎曲路徑。??Ｄｙｎａｍｉｃ?Ｔｉｍｅ?Ｗａｒｐｉｎｇ?（７．００）??８．０?Ｓ．５?Ｍ?９．５?１０．０?１０．５?１１．０?Ｕ．５?１２．０?０?１?２?３?４?５?６??ｙ?１１．０??ｊｒ?：￣－￣；?５?ｔ，??１０．５?－?，／?＼?／－??１０．０?－?／?＼?／?－??－／?＼?／?－??ａｓ?－?＼?／?－??ａｏ?－?＼?／?－??７－５?－｜?—?Ｓ｜?＼?／?－??７〇０￣￣！￣￣２￣￣３￣￣４￣￣Ｓ??Ｘ??圖２．３：最短彎曲路徑及距離??右側(cè)上方的矩陣中的數(shù)據(jù)如表２．１所示，表中最左邊一列為模式ｒ，最下邊??一行為時間序列Ｓ■


本文編號：3223278