本文關(guān)鍵詞：基于支持向量機的創(chuàng)業(yè)板指數(shù)預(yù)測研究與應(yīng)用

  更多相關(guān)文章： 支持向量機 創(chuàng)業(yè)板指數(shù) 動態(tài)神經(jīng)網(wǎng)絡(luò) 股指預(yù)測 ETF

【摘要】：創(chuàng)業(yè)板市場既是一個門檻比較低、風(fēng)險相對大、監(jiān)管很嚴(yán)格的股票市場,它也是一個能孵化科技型和高成長型企業(yè)的搖籃型資本市場。創(chuàng)業(yè)板設(shè)立的目的就是服務(wù)于自主創(chuàng)新的國家戰(zhàn)略,這些創(chuàng)業(yè)板上市的小企業(yè)充滿活力,代表著我國經(jīng)濟轉(zhuǎn)型的大方向,創(chuàng)業(yè)板的上市企業(yè)都具有創(chuàng)業(yè)、創(chuàng)新、成長的特征,其容納的新興產(chǎn)業(yè)多元性以及創(chuàng)業(yè)板本身與轉(zhuǎn)型升級戰(zhàn)略的高度契合是其他板塊所不具備的。因此,對于學(xué)者而言,對創(chuàng)業(yè)板指數(shù)的研究可以了解資本市場對創(chuàng)新創(chuàng)業(yè)企業(yè)的認(rèn)可程度,也可以了解新興產(chǎn)業(yè)的發(fā)展?fàn)顩r;對于投資者而言,對創(chuàng)業(yè)板指的研究可以為創(chuàng)業(yè)板的投資布局提供指導(dǎo)參考。雖然運用人工智能的方法對于指數(shù)的預(yù)測已經(jīng)得到廣泛研究,但是其對創(chuàng)業(yè)板指數(shù)的預(yù)測尚未有學(xué)者研究,特別是基于支持向量機的創(chuàng)業(yè)板指預(yù)測研究。隨著我國創(chuàng)業(yè)板股票市場的不斷發(fā)展壯大,運用支持向量機模型對創(chuàng)業(yè)板指數(shù)的預(yù)測、分析和實際應(yīng)用對于投資非常重要。本文采用單步預(yù)測法,即前日數(shù)據(jù)預(yù)測當(dāng)日收盤指數(shù),運用主成分分析法、粒子群優(yōu)化算法構(gòu)建PCA-PSO-LIBSVM支持向量機模型,即首先將數(shù)據(jù)歸一化之后,采用主成分分析法對多維數(shù)據(jù)進(jìn)行降維處理,然后應(yīng)用粒子群優(yōu)化算法對參數(shù)進(jìn)行優(yōu)化處理,然后支持向量機給出回歸的預(yù)測結(jié)果。本文把整個數(shù)據(jù)區(qū)間劃分為三個市場:下跌市場、震蕩市場和上升市場。針對每個區(qū)間市場分別運用PCA-PSO-LIBSVM模型和人工動態(tài)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測并分析。并以此進(jìn)行交易策略開發(fā)研究。通過預(yù)測分析發(fā)現(xiàn),PCA-PSO-LIBSVM支持向量機獲得了較理想的預(yù)測結(jié)果,在上述的劃分的三個市場行情中,其預(yù)測結(jié)果全都優(yōu)于動態(tài)神經(jīng)網(wǎng)絡(luò)的預(yù)測。然后,基于以上結(jié)論本文運用PCA-PSO-LIBSVM預(yù)測模型的結(jié)論構(gòu)建了“創(chuàng)業(yè)板ETF配合融資融券的T+0交易策略”和“創(chuàng)業(yè)板指股指期貨T+0交易策略”,經(jīng)過實盤模擬交易策略應(yīng)用,證實這兩個交易策略都取得了良好的收益,體現(xiàn)了預(yù)測研究結(jié)果的實用性。
【關(guān)鍵詞】：支持向量機 創(chuàng)業(yè)板指數(shù) 動態(tài)神經(jīng)網(wǎng)絡(luò) 股指預(yù)測 ETF
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：F832.51;F224
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-22
• 1.1 研究背景和意義9-12
• 1.1.1 研究背景9-10
• 1.1.2 研究意義10-12
• 1.2 文獻(xiàn)回顧12-19
• 1.2.1 國外文獻(xiàn)綜述12-14
• 1.2.2 國內(nèi)文獻(xiàn)綜述14-18
• 1.2.3 國內(nèi)外文獻(xiàn)綜述的簡析18-19
• 1.2.4 研究問題的提出19
• 1.3 研究內(nèi)容和方法19-22
• 1.3.1 主要內(nèi)容19-21
• 1.3.2 研究方法21-22
• 第2章 相關(guān)理論基礎(chǔ)22-34
• 2.1 支持向量機（SVM）相關(guān)理論22-29
• 2.1.1 統(tǒng)計學(xué)習(xí)理論22-23
• 2.1.2 支持向量機（SVM）的核函數(shù)23-25
• 2.1.3 支持向量機的分類（ SVC）算法25-27
• 2.1.4 支持向量機的回歸（ SVR）算法27-29
• 2.2 主成分分析法29-30
• 2.2.1 主成分分析的基本思想29
• 2.2.2 主成分分析的數(shù)學(xué)模型29-30
• 2.3 人工神經(jīng)網(wǎng)絡(luò)原理30-33
• 2.3.1 人工神經(jīng)網(wǎng)絡(luò)概述30-31
• 2.3.2 ANNs的學(xué)習(xí)過程31-32
• 2.3.3 人工神經(jīng)網(wǎng)絡(luò)的基本特征及模型分類32-33
• 2.4 本章小結(jié)33-34
• 第3章 創(chuàng)業(yè)板指數(shù)預(yù)測研究設(shè)計34-51
• 3.1 模型構(gòu)建35-36
• 3.2 樣本選取36
• 3.3 創(chuàng)業(yè)板指數(shù)下跌市場行情預(yù)測分析36-41
• 3.3.1 PCA-PSO-LIBSVM支持向量機預(yù)測結(jié)果分析36-38
• 3.3.2 動態(tài)神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果分析38-41
• 3.4 創(chuàng)業(yè)板指數(shù)震蕩市場行情預(yù)測分析41-45
• 3.4.1 PCA-PSO-LIBSVM支持向量機預(yù)測結(jié)果分析41-43
• 3.4.2 動態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果分析43-45
• 3.5 創(chuàng)業(yè)板指數(shù)上升市場行情預(yù)測分析45-50
• 3.5.1 PCA-PSO-LIBSVM支持向量機預(yù)測結(jié)果分析45-47
• 3.5.2 動態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果分析47-50
• 3.6 本章小結(jié)50-51
• 第4章 實盤模擬策略應(yīng)用研究51-60
• 4.1 創(chuàng)業(yè)板指數(shù)預(yù)測51-54
• 4.1.1 PCA-PSO-LIBSVM支持向量機預(yù)測結(jié)果分析51-53
• 4.1.2 動態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果分析53-54
• 4.2 投資策略分析54-59
• 4.2.1 策略的前提假設(shè)54-56
• 4.2.2 融資融券交易策略56
• 4.2.3 股指期貨交易策略56-58
• 4.2.4 市場單純策略的收益分析58-59
• 4.3 本章小結(jié)59-60
• 結(jié)論60-61
• 參考文獻(xiàn)61-68
• 致謝68

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 賈凝;;支持向量機模型在統(tǒng)計學(xué)上的應(yīng)用研究[J];統(tǒng)計與決策;2010年13期

2 呂向陽;高尚;;基于支持向量機的品牌特色專業(yè)評價[J];價值工程;2011年24期

3 黃勝忠;;遺傳支持向量機在股市趨向的預(yù)測[J];計算機與數(shù)字工程;2012年01期

4 胡奎;朱成文;;基于支持向量機的雷達(dá)信號分類[J];統(tǒng)計與決策;2008年23期

5 許建萍;;基于支持向量機的工程索賠合理工效研究[J];科技創(chuàng)新導(dǎo)報;2009年07期

6 張明;劉念祖;;電子商務(wù)信用管理的支持向量機應(yīng)用[J];中國管理信息化(綜合版);2007年09期

7 高尚;梅亮;;基于支持向量機的電價組合預(yù)測模型[J];電力自動化設(shè)備;2008年11期

8 王毅;;支持向量機技術(shù)及其應(yīng)用研究[J];中國高新技術(shù)企業(yè);2008年15期

9 呂月英;;基于支持向量機工程施工風(fēng)險預(yù)警研究[J];科技創(chuàng)新導(dǎo)報;2009年07期

10 芮麗梅;;改進(jìn)支持向量機的商業(yè)銀行評級算法[J];企業(yè)導(dǎo)報;2011年03期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風(fēng)險評估模型[A];第六屆（2011）中國管理學(xué)年會——商務(wù)智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學(xué)會2005年信息技術(shù)與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學(xué)習(xí)方法[A];全國第19屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應(yīng)用[A];中國力學(xué)大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預(yù)測膜蛋白類型[A];第十一次中國生物物理學(xué)術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學(xué)術(shù)年會論文集[C];2006年

10 侯澍e，

本文編號：858774