本文關(guān)鍵詞：基于金融數(shù)據(jù)的評估模型及算法研究

  更多相關(guān)文章： 量化交易 金融時間序列 連續(xù)隱馬爾科夫模型 分類選取 小波去噪

【摘要】：自金融市場建立開始,就處于一個多空博弈的環(huán)境中,并逐漸出現(xiàn)各類的分析方法,其中有基于國家政策環(huán)境與供求關(guān)系的基本面分析法,或者單純基于數(shù)據(jù)指標(biāo)的技術(shù)分析法,技術(shù)分析法的發(fā)展為量化交易提供了理論與實踐基礎(chǔ)。國內(nèi)金融市場飛速發(fā)展,使各類投資者參與熱情增高,數(shù)據(jù)量和交易頻率急劇增大,對交易速度要求提高,市場間的數(shù)據(jù)相關(guān)性更加復(fù)雜,量化交易所占比重越來越大,相應(yīng)在金融中利用模型算法來進行量化交易的比例越來越高;同時,計算機性能的不斷提升,使基于高頻指標(biāo)的量化交易成為可能。1952年建立的均值方差模型,作為數(shù)理工具第一次被引入到金融研究中,隨后神經(jīng)網(wǎng)絡(luò),決策樹等方法陸續(xù)被引入量化交易中,使得量化交易得以迅速發(fā)展。對金融時間序列的研究表明,歷史行情對未來行情走勢特征有一定指導(dǎo)性和預(yù)見性,從而使利用模式識別的分析金融數(shù)據(jù)指導(dǎo)量化交易成為可能,其中隱馬爾科夫模型在多種數(shù)據(jù)識別領(lǐng)域和預(yù)見領(lǐng)域有很好表現(xiàn)。本文對連續(xù)隱馬爾科夫模型與算法在金融數(shù)據(jù)上的應(yīng)用進行研究,其主要工作內(nèi)容與成果如下:1、對國內(nèi)外交易算法的發(fā)展做了深入研究,針對算法在未來金融市場上的不足以及國內(nèi)金融市場的具體環(huán)境,提出運用連續(xù)隱馬爾科夫模型對金融數(shù)據(jù)進行分析和預(yù)測。2、對整個連續(xù)隱馬爾科夫模型系統(tǒng)的發(fā)展和算法理論進行全面研究,對模型的識別,解碼,學(xué)習(xí)過程等進行算法分解,并對三類過程在金融上的應(yīng)用進行研究。同時針對特定的金融數(shù)據(jù)與模型的算法過程,提取處理股票與期貨數(shù)據(jù),運用分類選取、小波去噪和構(gòu)建平穩(wěn)指數(shù)等方法設(shè)定模型系統(tǒng)樣本數(shù)據(jù)與各類參數(shù),以完善模型在金融數(shù)據(jù)下的應(yīng)用。3、通過實例來詳細分析整個模型系統(tǒng)在國內(nèi)金融市場的應(yīng)用方法,并利用實際交易數(shù)據(jù)驗證整個模型系統(tǒng),然后運用識別與解碼過程對模型的適應(yīng)性進行研究,得出連續(xù)隱馬爾科夫模型能夠很好識別金融數(shù)據(jù)中的模式特征。在此基礎(chǔ)上,運用模型的學(xué)習(xí)過程提取金融數(shù)據(jù)中的走勢特征并進行強化,將結(jié)果反饋到更新后的模型中。最后,通過更新后的模型預(yù)測滬深300股票數(shù)據(jù)以及期貨數(shù)據(jù)的未來走勢,并進行仿真交易。通過對仿真交易的成功率,累計收益,交易次數(shù)等進行研究對比,表明連續(xù)隱馬爾科夫模型在對提高累計收益,減少交易次數(shù),降低沖擊成本上有較好表現(xiàn)。通過本文的研究,提出了一套連續(xù)隱馬爾科夫模型在金融上的整體應(yīng)用方法。依據(jù)對實際數(shù)據(jù)應(yīng)用分析和對比,證明模型在金融數(shù)據(jù)的特征提取與預(yù)測未來走勢等應(yīng)用上有一定的可行性,為量化交易策略與算法的發(fā)展提供理論與實踐支持。
【關(guān)鍵詞】：量化交易 金融時間序列 連續(xù)隱馬爾科夫模型 分類選取 小波去噪
【學(xué)位授予單位】：成都理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：F830;TP301.6
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-17
• 1.1 研究背景10-11
• 1.2 論文的研究意義11
• 1.3 國內(nèi)外研究現(xiàn)狀11-13
• 1.4 論文的研究目的與內(nèi)容13-15
• 1.5 論文的組織結(jié)構(gòu)15-16
• 本章小結(jié)16-17
• 第2章 模型理論研究17-25
• 2.1 馬爾科夫過程17-19
• 2.2 隱馬爾科夫模型19-22
• 2.3 連續(xù)隱馬爾科夫模型22-23
• 本章小結(jié)23-25
• 第3章 連續(xù)隱馬爾科夫模型算法分析25-35
• 3.1 連續(xù)隱馬爾科夫模型過程求解25-26
• 3.2 識別過程與Forward-backward算法26-28
• 3.3 解碼過程與Viterbi算法28-29
• 3.4 學(xué)習(xí)過程與Baum-Welch算法29-34
• 本章小結(jié)34-35
• 第4章 連續(xù)隱馬爾科夫模型在金融數(shù)據(jù)上的運用35-45
• 4.1 重要指數(shù)特征分析35-39
• 4.1.1 國際指數(shù)特征分析36-37
• 4.1.2 國內(nèi)指數(shù)特征分析37-39
• 4.2 樣本數(shù)據(jù)預(yù)處理39-40
• 4.3 連續(xù)隱馬爾科夫模型初始參數(shù)40-43
• 4.4 連續(xù)隱馬爾科夫模型解碼驗證與預(yù)測43-44
• 本章小結(jié)44-45
• 第5章 連續(xù)隱馬爾科夫模型實證分析45-62
• 5.1 樣本數(shù)據(jù)預(yù)處理45-46
• 5.2 連續(xù)隱馬爾科夫模型參數(shù)設(shè)定46-47
• 5.3 樣本數(shù)據(jù)解碼與驗證47-49
• 5.3.1 五類狀態(tài)解碼驗證47-48
• 5.3.2 兩類狀態(tài)解碼驗證48-49
• 5.4 連續(xù)隱馬爾科夫模型參數(shù)學(xué)習(xí)49-51
• 5.4.1 五類狀態(tài)學(xué)習(xí)與驗證50-51
• 5.4.2 兩類狀態(tài)學(xué)習(xí)與驗證51
• 5.5 股票數(shù)據(jù)預(yù)測評估51-57
• 5.5.1 五類狀態(tài)預(yù)測52-54
• 5.5.2 兩類狀態(tài)預(yù)測54-55
• 5.5.3 兩種預(yù)測對比55-57
• 5.6 期貨數(shù)據(jù)預(yù)測評估57-61
• 5.6.1 小波去噪處理58-59
• 5.6.2 構(gòu)建平穩(wěn)指數(shù)59-61
• 本章小結(jié)61-62
• 總結(jié)與展望62-64
• 論文總結(jié)62
• 工作展望62-64
• 致謝64-65
• 參考文獻65-67
• 攻讀學(xué)位期間取得學(xué)術(shù)成果67

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 周登龍;;從物理學(xué)的角度定性分析金融現(xiàn)象[J];中國研究生;2011年11期

，

本文編號：856443