本文關(guān)鍵詞：基于隨機(jī)森林和QGA-SVR的量化選股研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：目前中國股票市場上有兩千多只股票,每天產(chǎn)生海量的金融數(shù)據(jù),股票投資者渴望得到有效的投資信息,從中篩選出有獲利潛力的股票來構(gòu)建有效的投資組合。為了解決如何從大量的股票中篩選出有獲利潛力的股票這個(gè)問題,量化選股已經(jīng)成為投資決策研究領(lǐng)域的熱點(diǎn)問題。由于股票市場是一個(gè)高維、非線性、多噪音的復(fù)雜系統(tǒng),傳統(tǒng)的線性模型已經(jīng)不能很好地解決這類問題。本文針對這些問題在量化選股領(lǐng)域,構(gòu)建相應(yīng)的以價(jià)值投資為導(dǎo)向的財(cái)務(wù)指標(biāo)體系和引入先進(jìn)的數(shù)據(jù)挖掘方法,進(jìn)行如下研究工作:以股票選取作為研究對象,基于價(jià)值投資的視角。首先,根據(jù)對早期文獻(xiàn)的研究,分別選取上市公司6大類16項(xiàng)財(cái)務(wù)指標(biāo)作為輸入特征變量,分別為每股價(jià)格合理性、盈利能力、財(cái)務(wù)杠桿水平、資產(chǎn)流動性、資金使用效率以及公司的成長能力。其次,由于這些財(cái)務(wù)特征變量中存在著冗余的信息,為了讓投資者能真切地看到每個(gè)財(cái)務(wù)指標(biāo)對股票收益的影響,本文選取組合算法中的隨機(jī)森林算法(RF),對財(cái)務(wù)指標(biāo)進(jìn)行評價(jià),篩選出重要的財(cái)務(wù)指標(biāo)。第三,結(jié)合股票市場的高維復(fù)雜性,由于支持向量回歸機(jī)(SVR)在處理高維非線性的優(yōu)越性能,并作為基本的方法框架,并利用全局搜索算法中優(yōu)越的量子遺傳算法(QGA)對支持向量回歸機(jī)進(jìn)行動態(tài)的參數(shù)尋優(yōu),分別對支持向量回歸機(jī)的懲罰因子c、核參數(shù)g以及松弛變量p進(jìn)行深度優(yōu)化,為了驗(yàn)證研究量子遺傳算法(QGA)對參數(shù)的優(yōu)化程度,與遺傳算法進(jìn)行比較,保證支持向量回歸機(jī)(SVR)的精確效果。第四,將支持向量回歸機(jī)(SVR)與隨機(jī)森林(RF)和量子遺傳算法(QGA)結(jié)合起來,構(gòu)建綜合選股模型流程RF-QGA-SVR。第五,本文以A股市場市值最大的前200只股票2003到2014年的數(shù)據(jù)作為實(shí)證對象,利用建立的RF-QGA-SVR模型對股票收益進(jìn)行預(yù)測,根據(jù)預(yù)測的結(jié)果進(jìn)行排序,構(gòu)建投資組合,分別篩選出前10、20和30只股票組合,與市場基準(zhǔn)的組合收益進(jìn)行比較,從而得出構(gòu)建的綜合模型RF-QGA-SVR的有效性,在股票選擇的過程中,對上市企業(yè)的財(cái)務(wù)指標(biāo)進(jìn)行總結(jié)歸納,對財(cái)務(wù)指標(biāo)重要性進(jìn)行度量,并期待得到的財(cái)務(wù)指標(biāo)考量順序和RF-QGA-SVR綜合選股模型在實(shí)際的投資環(huán)境中能夠?yàn)閮r(jià)值投資者提供科學(xué)選股的思路。
【關(guān)鍵詞】：隨機(jī)森林 財(cái)務(wù)特征選擇 量子遺傳算法 支持向量回歸機(jī) 量化選股
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：F832.51
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-19
• 1.1 研究背景和意義10-11
• 1.1.1 研究背景10-11
• 1.1.2 研究意義11
• 1.2 國內(nèi)外研究現(xiàn)狀11-15
• 1.3 研究目標(biāo)與研究內(nèi)容15-16
• 1.3.1 研究目標(biāo)15
• 1.3.2 研究內(nèi)容15-16
• 1.4 研究方法和技術(shù)路線16-18
• 1.5 本文創(chuàng)新點(diǎn)18-19
• 第二章 選股財(cái)務(wù)指標(biāo)體系構(gòu)建19-27
• 2.1 財(cái)務(wù)信息作用于股票市場機(jī)理19-20
• 2.2 財(cái)務(wù)指標(biāo)體系構(gòu)建20-26
• 2.3 本章小結(jié)26-27
• 第三章 RF-QGA-SVR選股模型構(gòu)建27-41
• 3.1 支持向量回歸機(jī)（SVR）選股研究27-31
• 3.1.1 支持向量回歸機(jī)（SVR）27-29
• 3.1.2 SVR預(yù)測股票收益進(jìn)行排序組合29-31
• 3.2 隨機(jī)森林優(yōu)化輸入特征31-34
• 3.3 QGA優(yōu)化SVR參數(shù)研究34-39
• 3.4 RF-QGA-SVR綜合模型構(gòu)建39-40
• 3.5 本章小結(jié)40-41
• 第四章 量化選股及相關(guān)實(shí)證分析41-61
• 4.1 數(shù)據(jù)的選取及預(yù)處理41-42
• 4.2 隨機(jī)森林篩選財(cái)務(wù)指標(biāo)效能分析42-44
• 4.2.1 隨機(jī)森林（RF）模型設(shè)定42-43
• 4.2.2 隨機(jī)森林（RF）實(shí)證分析43-44
• 4.3 QGA對SVR動態(tài)尋參效能分析44-49
• 4.3.1 GA和QGA模型設(shè)定45
• 4.3.2 GA與QGA優(yōu)化SVR對比實(shí)證45-49
• 4.4 RF-QGA-SVR選股模型實(shí)證分析49-56
• 4.4.1 帶經(jīng)驗(yàn)參數(shù)帶全特征的SVR逐年回歸49-50
• 4.4.2 RF特征優(yōu)化帶經(jīng)驗(yàn)參數(shù)SVR逐年回歸50-51
• 4.4.3 QGA優(yōu)化SVR無特征優(yōu)化的逐年回歸51-52
• 4.4.4 RF-QGA-SVR模型進(jìn)行選股52-53
• 4.4.5 股票組合檢驗(yàn)53-56
• 4.5 財(cái)務(wù)指標(biāo)對股票收益率的作用分析56-59
• 4.6 本章小結(jié)59-61
• 結(jié)論與展望61-64
• 參考文獻(xiàn)64-68
• 附錄68-84
• 攻讀碩士學(xué)位期間取得的研究成果84-85
• 致謝85-86
• 附件86

  本文關(guān)鍵詞：基于隨機(jī)森林和QGA-SVR的量化選股研究，由筆耕文化傳播整理發(fā)布。

本文編號：433092