股指期貨可以“反向交易”,既可做多,也可做空,具有價格發(fā)現(xiàn)、套期保值等多種功能。同時,股指期貨交易具有高杠桿性,風險巨大,因此能否對股指期貨的價格運行趨勢進行大概率準確的預測對實戰(zhàn)成功具有現(xiàn)實指導意義。對于金融數(shù)據(jù)的預測,傳統(tǒng)預測方法包括基本面分析、技術(shù)分析以及時間序列分析等。但是,面對非線性的金融數(shù)據(jù),這些方法存在著各種各樣的局限,預測效果也不是很理想。隨著統(tǒng)計學理論、數(shù)據(jù)挖掘以及人工智能技術(shù)的發(fā)展,更多的機器學習方法被應用到金融數(shù)據(jù)領域,并且取得了不錯的效果。支持向量機作為近年來機器學習領域的研究熱點,由結(jié)構(gòu)風險最小化的統(tǒng)計理論發(fā)展而來,具有較強的泛化能力。由于支持向量機在預測小樣本、非線性數(shù)據(jù)具有一定的優(yōu)勢,于是,本文建立了基于支持向量機的股指期貨價格分類預測模型,并在此基礎上構(gòu)建了相應的交易策略。本文以我國上證50股指期貨為研究對象,將期貨價格的未來趨勢劃分為漲、跌兩種,通過歷史交易數(shù)據(jù)來預測未來交易價格的漲跌情況。具體過程如下:（1）基于鞅理論利用歷史數(shù)據(jù)找出收盤價的異常值,即“離群點”數(shù)據(jù),對樣本進行篩選,從而實現(xiàn)數(shù)據(jù)的清洗。（2）選擇影響期貨價格的相關指標時,本文選擇了7... 

【文章來源】：安徽大學安徽省 211工程院校

【文章頁數(shù)】：51 頁

【學位級別】：碩士

【部分圖文】：

圖２－２上證５０股指期貨交易情況??由圖２－２可以看出２０１５年作為上證５０股指期貨推出的第一個年度，其年成??

?４％??圖２－１行業(yè)占比圖??由表２－１和圖２－１可以看出，上證５０指數(shù)的成分股所分布的行業(yè)還是比較??豐富的，其中金融行業(yè)的比重最大，達到３８％�？梢姡献C５０指數(shù)主要集中在??金融行業(yè)，具有較強的行業(yè)偏向性特征，存在的風險也相對集中。??２．３上證５０股指期貨介紹??上證５０股指期貨是一種以上證５０指數(shù)為標的物的期貨品種，上證５０股指??期貨從其推出以來，其交易詳情如圖２－２所示（數(shù)據(jù)來源于中國金融期貨交易所）：??３５?「?１?４０００??＿?３０?■?＼￣ｆ￣＼?＇?３５００?雋??＾?■?３０００?量??２０?．?１?．?２５００??■?２０００??１５?－?１??－１５００??１０?．?Ｉ?■?１０００??５?■?��；?ｍ?ｍ?＇?５００??ｑ?丨丨?１＾１?．?Ｉ￣￣?．?１?ｂ???．?Ｉ?Ｕ??ｑ??２０１５?２０１６?２０１７?２０１８??口成交額（萬億元）■成交量（萬手）??圖２－２上證５０股指期貨交易情況??由圖２－２可以看出２０１５年作為上證５０股指期貨推出的第一個年度，其年成??交量和年成交額都是可觀的，年成交量達到３５４８．３９２萬手，年成交額達到３０．６９??萬億元。這主要是因為在２０１５年之前，國內(nèi)的資本市場在經(jīng)歷了長達４年的“熊??市”壓制

?ｍａｒｇｉｎ?＝?２／＼Ｍ＾??圖３－１支持向量機分類原理??對于線性分類問題，如圖３－１所示，有兩種不同的樣本，／／是將這兩類樣本??正確分開的分類面。線條歷、與線條／／平行，同時這兩條線上的點到／／的距??離是最近的，歷、ｆｔ兩條線之間的距離被稱為兩類樣本的分類間隔，兩條平行??１３??

【參考文獻】：
期刊論文
[1]基于集成算法的股票指數(shù)預測[J]. 王玥,孫德山.  經(jīng)濟數(shù)學. 2018(04)
[2]股指期貨推出對股市的影響[J]. 鄭逸.  合作經(jīng)濟與科技. 2018(17)
[3]機器學習方法在股指期貨預測中的應用研究——基于BP神經(jīng)網(wǎng)絡、SVM和XGBoost的比較分析[J]. 黃卿,謝合亮.  數(shù)學的實踐與認識. 2018(08)
[4]基于正則化LSTM模型的股票指數(shù)預測[J]. 任君,王建華,王傳美,王建祥.  計算機應用與軟件. 2018(04)
[5]基于BP神經(jīng)網(wǎng)絡和小波降噪的滬深300股指期貨價格預測[J]. 程偉,許學軍.  農(nóng)場經(jīng)濟管理. 2018(04)
[6]基于小波與動態(tài)GM（1,1）-ARIMA模型的股價預測研究[J]. 駱樺,陳艷飛.  浙江理工大學學報(自然科學版). 2017(04)
[7]基于近鄰互信息的SVM-GARCH股票價格預測模型研究[J]. 張貴生,張信東.  中國管理科學. 2016(09)
[8]灰色神經(jīng)網(wǎng)絡在股價預測中的應用[J]. 周琴,雍丹丹,王興龍.  商. 2015(39)
[9]基于小波分析的股指期貨高頻預測研究[J]. 劉向麗,王旭朋.  系統(tǒng)工程理論與實踐. 2015(06)
[10]基于支持向量機與信息�；纳献C指數(shù)預測研究[J]. 周曉輝,姚儉.  科技通報. 2014(09)

碩士論文
[1]滬深300股指期貨價格預測研究[D]. 吳迪.沈陽工業(yè)大學 2018
[2]基于支持向量機的股指期貨短期價格預測研究[D]. 馬紹宇.重慶工商大學 2018
[3]基于長短期記憶模型的期貨價格預測[D]. 李科嘉.中國科學技術(shù)大學 2018
[4]基于小波核支持向量機回歸的股指期貨價格預測[D]. 梁成.上海師范大學 2018
[5]我國股指期貨對現(xiàn)貨市場價格波動性影響的實證分析[D]. 劉暢.華中師范大學 2018
[6]基于隨機森林方法的滬深300指數(shù)漲跌預測研究[D]. 王偉.天津財經(jīng)大學 2017
[7]基于改進GA優(yōu)化參數(shù)的SVR股價預測研究[D]. 孫秋韻.福建師范大學 2015



本文編號：3392789