發(fā)布時(shí)間：2017-04-20 01:03

  本文關(guān)鍵詞：基于支持向量機(jī)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(chǎng)的快速發(fā)展，股指期貨高頻交易越來(lái)越備受關(guān)注，越來(lái)越多的投資者開(kāi)始探索股指期貨高頻交易中新的盈利模式。投機(jī)交易在增強(qiáng)市場(chǎng)流動(dòng)性發(fā)揮著重要作用，是對(duì)交易市場(chǎng)深層次認(rèn)知的一種體現(xiàn)。本文主要研究基于投機(jī)交易觀點(diǎn)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(duì)象。保證較高的預(yù)測(cè)正確率，本文對(duì)股指期貨價(jià)格變化趨勢(shì)進(jìn)行分類識(shí)別預(yù)測(cè)，使用在分類識(shí)別領(lǐng)域表現(xiàn)突出的支持向量機(jī)模型進(jìn)行預(yù)測(cè)。文中首先利用中間價(jià)動(dòng)量變化情況對(duì)訓(xùn)練集進(jìn)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(guò)特征指標(biāo)選取和參數(shù)尋優(yōu)，對(duì)主力合約中的價(jià)格變化趨勢(shì)進(jìn)行預(yù)測(cè)；最終建立了單個(gè)多分類支持向量機(jī)模型，二分類支持向量機(jī)和多分類支持向量機(jī)組合模型以及動(dòng)態(tài)支持向量機(jī)模型。應(yīng)用三個(gè)模型的預(yù)測(cè)結(jié)果，結(jié)合相應(yīng)的交易策略，進(jìn)行回測(cè)分析檢驗(yàn)，通過(guò)對(duì)回測(cè)結(jié)果的分析對(duì)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(shí)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(diǎn)風(fēng)險(xiǎn)。本文也對(duì)策略中存在的不足進(jìn)行了說(shuō)明，并進(jìn)一步解釋了策略可能存在的風(fēng)險(xiǎn)，對(duì)交易策略進(jìn)行了全面的解讀。
【關(guān)鍵詞】：支持向量機(jī) 分類識(shí)別 股指期貨 高頻交易 投機(jī)交易 預(yù)測(cè)
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：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(guó)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(jiǎn)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(cè)周期12-13
• 2.3 主力合約13-15
• 第3章 支持向量機(jī)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(jī)在主力合約中的預(yù)測(cè)18-41
• 4.1 動(dòng)量特征刻畫(huà)和交易機(jī)會(huì)18-19
• 4.2 訓(xùn)練集的均衡19-22
• 4.2.1 隨機(jī)過(guò)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(guò)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(yàn)證28-29
• 4.4.2 網(wǎng)格搜索算法29-32
• 4.5 預(yù)測(cè)結(jié)果分析32-33
• 4.6 單個(gè)多分類 SVM 模型33-35
• 4.6.1 模型預(yù)測(cè)結(jié)果33
• 4.6.2 回測(cè)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(cè)結(jié)果36
• 4.7.2 回測(cè)分析36-38
• 4.8 動(dòng)態(tài) SVM 模型38-40
• 4.8.1 窗口更新方法39
• 4.8.2 回測(cè)分析39-40
• 4.9 交易策略的風(fēng)險(xiǎn)40-41
• 結(jié)論41-42
• 參考文獻(xiàn)42-45
• 致謝45

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前8條

1 吳定雪;彭代強(qiáng);田金文;;基于自適應(yīng)最小二乘支持向量機(jī)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(jìn)的主動(dòng)支持向量機(jī)算法及其應(yīng)用[J];計(jì)算機(jī)工程;2009年19期

3 李昆侖,黃厚寬,田盛豐,劉振鵬,劉志強(qiáng);模糊多類支持向量機(jī)及其在入侵檢測(cè)中的應(yīng)用[J];計(jì)算機(jī)學(xué)報(bào);2005年02期

4 楊潔;鄭寧;劉董;羅時(shí)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(jì)算機(jī)仿真;2008年09期

5 張小艷;李強(qiáng);;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(jī)在股市預(yù)測(cè)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(jī)的數(shù)據(jù)挖掘應(yīng)用研究[J];情報(bào)科學(xué);2005年12期

  本文關(guān)鍵詞：基于支持向量機(jī)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(hào)：317535