本文關(guān)鍵詞：基于支持向量機模型的股指期貨高頻交易策略研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著金融市場的快速發(fā)展，股指期貨高頻交易越來越備受關(guān)注，越來越多的投資者開始探索股指期貨高頻交易中新的盈利模式。投機交易在增強市場流動性發(fā)揮著重要作用，是對交易市場深層次認知的一種體現(xiàn)。本文主要研究基于投機交易觀點的股指期貨高頻交易策略。 考慮高頻交易策略的成功性以及可操作性，本文選取股指期貨中的主力合約作為研究對象。保證較高的預(yù)測正確率，本文對股指期貨價格變化趨勢進行分類識別預(yù)測，使用在分類識別領(lǐng)域表現(xiàn)突出的支持向量機模型進行預(yù)測。文中首先利用中間價動量變化情況對訓(xùn)練集進行分類，并采用聚類欠抽樣等方法均衡訓(xùn)練集；然后經(jīng)過特征指標(biāo)選取和參數(shù)尋優(yōu)，對主力合約中的價格變化趨勢進行預(yù)測；最終建立了單個多分類支持向量機模型，二分類支持向量機和多分類支持向量機組合模型以及動態(tài)支持向量機模型。應(yīng)用三個模型的預(yù)測結(jié)果，結(jié)合相應(yīng)的交易策略，進行回測分析檢驗，通過對回測結(jié)果的分析對比，，獲得了表現(xiàn)效果良好的交易策略，使交易策略的勝率由最初的56%提升到80%。同時本文中的交易策略能夠有效發(fā)揮預(yù)警作用，在一定程度上降低交易滑點風(fēng)險。本文也對策略中存在的不足進行了說明，并進一步解釋了策略可能存在的風(fēng)險，對交易策略進行了全面的解讀。
【關(guān)鍵詞】：支持向量機 分類識別 股指期貨 高頻交易 投機交易 預(yù)測
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：F832.51
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-11
• 1.1 背景介紹9
• 1.2 本文研究方法及思路9-10
• 1.3 國內(nèi)外研究現(xiàn)狀10-11
• 第2章 股指期貨高頻交易策略11-15
• 2.1 交易策略簡介11-12
• 2.1.1 基本概念11
• 2.1.2 交易策略11-12
• 2.1.3 高頻交易12
• 2.2 預(yù)測周期12-13
• 2.3 主力合約13-15
• 第3章 支持向量機15-18
• 3.1 基本概念15
• 3.2 線性 SVM15-17
• 3.2.1 線性可分 SVM 數(shù)學(xué)模型15-16
• 3.2.2 線性不可分 SVM 數(shù)學(xué)模型16-17
• 3.3 非線性 SVM17-18
• 第4章 支持向量機在主力合約中的預(yù)測18-41
• 4.1 動量特征刻畫和交易機會18-19
• 4.2 訓(xùn)練集的均衡19-22
• 4.2.1 隨機過抽樣和欠抽樣20-21
• 4.2.2 基于聚類的欠抽樣21
• 4.2.3 SMOTE 過抽樣21-22
• 4.3 特征指標(biāo)的選取22-28
• 4.3.1 特征指標(biāo)的選擇22-24
• 4.3.2 特征指標(biāo)的提取24-25
• 4.3.3 數(shù)據(jù)分析25-27
• 4.3.4 數(shù)據(jù)歸一化27-28
• 4.4 參數(shù)尋優(yōu)28-32
• 4.4.1 交叉驗證28-29
• 4.4.2 網(wǎng)格搜索算法29-32
• 4.5 預(yù)測結(jié)果分析32-33
• 4.6 單個多分類 SVM 模型33-35
• 4.6.1 模型預(yù)測結(jié)果33
• 4.6.2 回測分析33-35
• 4.7 二分類 SVM 和多分類 SVM 組合模型35-38
• 4.7.1 模型預(yù)測結(jié)果36
• 4.7.2 回測分析36-38
• 4.8 動態(tài) SVM 模型38-40
• 4.8.1 窗口更新方法39
• 4.8.2 回測分析39-40
• 4.9 交易策略的風(fēng)險40-41
• 結(jié)論41-42
• 參考文獻42-45
• 致謝45

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前8條

1 吳定雪;彭代強;田金文;;基于自適應(yīng)最小二乘支持向量機的圖像去噪研究(英文)[J];Geo-Spatial Information Science;2007年03期

2 樊繼偉;李朝鋒;吳小俊;;一種改進的主動支持向量機算法及其應(yīng)用[J];計算機工程;2009年19期

3 李昆侖,黃厚寬,田盛豐,劉振鵬,劉志強;模糊多類支持向量機及其在入侵檢測中的應(yīng)用[J];計算機學(xué)報;2005年02期

4 楊潔;鄭寧;劉董;羅時貴;;基于遺傳算法的SVM帶權(quán)特征和模型參數(shù)優(yōu)化[J];計算機仿真;2008年09期

5 張小艷;李強;;基于SVM的分類方法綜述[J];科技信息;2008年28期

6 閻綱;;支持向量機在股市預(yù)測中的應(yīng)用[J];科學(xué)技術(shù)與工程;2008年02期

7 陶新民;張冬雪;郝思媛;付丹丹;;基于譜聚類欠取樣的不均衡數(shù)據(jù)SVM分類算法[J];控制與決策;2012年12期

8 蔡冬松;靖繼鵬;;基于最小二乘支持向量機的數(shù)據(jù)挖掘應(yīng)用研究[J];情報科學(xué);2005年12期

  本文關(guān)鍵詞：基于支持向量機模型的股指期貨高頻交易策略研究，由筆耕文化傳播整理發(fā)布。

本文編號：317535