本文關(guān)鍵詞：基于雙聚類的多周期投資交易規(guī)則挖掘，由筆耕文化傳播整理發(fā)布。

【摘要】：股票分析和預(yù)測對上市公司和投資者都具有重大的現(xiàn)實意義。技術(shù)分析利用基于對股票交易歷史數(shù)據(jù)計算的規(guī)則來預(yù)測股票價格的未來變動趨勢。一個技術(shù)指標(biāo)也就是規(guī)定了一個技術(shù)交易規(guī)則,早期針對技術(shù)指標(biāo)分析的研究通常只關(guān)注一個或幾個交易規(guī)則中的若干參數(shù)來幫助決策,近期的理論與研究表明,采用技術(shù)規(guī)則的組合投資往往能獲得比單獨地采用每一個交易規(guī)則獲得更高的超額收益。投資組合選擇是現(xiàn)代金融決策理論的基石,目前對分散風(fēng)險理論的研究大多集中在多種資產(chǎn)的投資組合上,有關(guān)投資組合問題的研究成果均是停留在單周期投資,并沒有根據(jù)市場變化調(diào)整投資周期。盡管對單期投資組合以及多期投資組合問題的研究已經(jīng)取得了一定的成效,然而有關(guān)多周期(長、中、短周期)投資組合優(yōu)化問題的研究剛剛起步,尚處于探索階段。鑒于以上事實,本研究將技術(shù)規(guī)則全集擴大到多種不同時間參數(shù)下的技術(shù)指標(biāo)交易規(guī)則,加入各種規(guī)則組合的復(fù)雜交易策略,以技術(shù)分析和數(shù)據(jù)挖掘相關(guān)技術(shù)為基礎(chǔ)構(gòu)建基于雙聚類技術(shù)的交易規(guī)則挖掘模型。并從另一角度剖析風(fēng)險分散理論,研究多周期投資組合問題,量化多周期投資組合過程中各個周期投資的資金配置比例。本文對基于雙聚類的多周期投資交易規(guī)則挖掘問題進(jìn)行研究,具體研究工作如下:(1)對股票分析研究內(nèi)容和股票分析技術(shù)進(jìn)行了系統(tǒng)詳細(xì)的概述。(2)以技術(shù)分析和數(shù)據(jù)挖掘技術(shù)為基礎(chǔ)構(gòu)建基于雙聚類技術(shù)的交易規(guī)則挖掘算法和模型。(3)運用嵌套的粒子群算法優(yōu)化模型參數(shù)和多周期投資組合的資金配置。(4)通過比較本文算法(BIC-NPSO)和其他四個算法以及傳統(tǒng)的買賣持有策略(Buy-and-Hold,BAH)運用于相同資產(chǎn)對象的時候所獲得的期望收益率均值,本文算法的有效性和優(yōu)越性被不同真實股票數(shù)據(jù)所證實。本文主要創(chuàng)新點在于:(1)首次將雙聚類算法應(yīng)用到金融交易系統(tǒng)設(shè)計中,通過設(shè)計高效的列一致雙聚類挖掘算法找到金融價格變動過程中技術(shù)指標(biāo)聯(lián)動的局部一致性模式,獲得交易信號,利用KNN分類算法對交易信號進(jìn)行分類,進(jìn)而得到性能改善的智能交易系統(tǒng),并通過實證研究得到了算法和模型有效性的有力證據(jù)。(2)探討并研究了多周期投資組合的問題。傳統(tǒng)的大多數(shù)投資組合優(yōu)化模型都是研究對投資組合選擇進(jìn)行優(yōu)化的問題。一般都是基于單期投資或連續(xù)多期投資,并沒有考慮隨市場變化調(diào)整投資策略的問題,而有關(guān)多周期(長、中、短周期)投資組合優(yōu)化問題的研究剛剛起步,尚處于探索階段。本文從另一角度剖析風(fēng)險分散理論,研究多周期投資組合問題,量化多周期投資組合過程中各個周期投資的資金配置比例,以根據(jù)股價的變動調(diào)整投資時機,達(dá)到避免高風(fēng)險同時獲取高收益的目的。(3)提出一個兩層嵌套的粒子群優(yōu)化算法。本文研究運用兩層嵌套的粒子群優(yōu)化算法,基于收益率最大化目標(biāo)函數(shù),同時優(yōu)化模型中參數(shù)和多周期投資組合的資金配置,即外層粒子群算法優(yōu)化改進(jìn)雙聚類算法中的兩個閾值參數(shù),內(nèi)層粒子群算法優(yōu)化多周期(長、中、短周期)投資組合的資金配置比例。(4)本文構(gòu)建的模型是一個擴展性良好的框架。本文構(gòu)建的模型具有很好的拓展性,易擴展至更多種類的技術(shù)指標(biāo)、不同的指標(biāo)參數(shù)以及不同周期投資長度,這使得本文的模型對于廣大投資者來說非常具有靈活性和通用性。
【關(guān)鍵詞】：雙聚類 粒子群算法 多周期投資組合 交易規(guī)則 技術(shù)分析
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：F830.91;TP311.13
【目錄】：

• 摘要5-7
• Abatract7-12
• 第一章 緒論12-20
• 1.1 研究背景和意義12-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-17
• 1.2.1 股票分析方法研究現(xiàn)狀13-16
• 1.2.2 多周期投資組合研究現(xiàn)狀16-17
• 1.3 本文的工作概要和內(nèi)容安排17-20
• 1.3.1 主要工作及本文創(chuàng)新之處17-18
• 1.3.2 本文主要創(chuàng)新點18-19
• 1.3.3 本文章節(jié)安排19-20
• 第二章 股票研究內(nèi)容與股票分析技術(shù)20-31
• 2.1 股票分析研究內(nèi)容20-23
• 2.1.1 股票及股市概述20
• 2.1.2 股票指數(shù)20-21
• 2.1.3 股票預(yù)測變量及相關(guān)術(shù)語21-22
• 2.1.4 股票投資三要素22-23
• 2.2 股票分析研究方法23-30
• 2.2.1 引言23-24
• 2.2.2 傳統(tǒng)股票分析方法24-29
• 2.2.3 基于數(shù)據(jù)挖掘技術(shù)的股票分析方法29-30
• 2.3 本章小結(jié)30-31
• 第三章 基于雙聚類的交易規(guī)則挖掘31-56
• 3.1 聚類分析32-36
• 3.1.1 聚類分析的定義32-33
• 3.1.2 聚類分析中的數(shù)據(jù)類型33-34
• 3.1.4 凝聚層次聚類34-36
• 3.2 雙聚類概述36-41
• 3.2.1 雙聚類算法產(chǎn)生背景36-37
• 3.2.2 雙聚類算法研究現(xiàn)狀37-38
• 3.2.3 雙聚類定義38-39
• 3.2.4 雙聚類類型39-40
• 3.2.5 Cheng-Church雙聚類算法40-41
• 3.3 基于雙聚類的交易規(guī)則挖掘41-55
• 3.3.1 技術(shù)指標(biāo)矩陣構(gòu)建41-49
• 3.3.2 基于雙聚類的交易模式挖掘49-51
• 3.3.3 基于支持度方法的交易模式分類51-52
• 3.3.4 基于K近鄰的交易行為確定52-55
• 3.4 本章小結(jié)55-56
• 第四章 基于嵌套粒子群優(yōu)化的多周期投資交易規(guī)則56-67
• 4.1 最優(yōu)化問題概述57
• 4.2 最優(yōu)化問題的數(shù)學(xué)描述57
• 4.3 粒子群優(yōu)化算法57-62
• 4.3.1 粒子群優(yōu)化算法原理58-60
• 4.3.3 粒子群優(yōu)化算法流程60-61
• 4.3.4 粒子群優(yōu)化算法參數(shù)分析61-62
• 4.4 基于嵌套粒子群優(yōu)化的多周期投資交易規(guī)則挖掘62-66
• 4.4.1 NPSO算法概述63
• 4.4.2 NPSO的目標(biāo)函數(shù)63-64
• 4.4.3 NPSO的流程64-66
• 4.5 本章小結(jié)66-67
• 第五章 實證分析67-88
• 5.1 概述67-68
• 5.2 實驗平臺描述68
• 5.3 實驗數(shù)據(jù)68-71
• 5.3.1 實驗一數(shù)據(jù)69
• 5.3.2 實驗二數(shù)據(jù)69-71
• 5.4 實驗參數(shù)設(shè)置71-72
• 5.5 實驗結(jié)果評價方法72-73
• 5.6 實驗結(jié)果與分析73-87
• 5.6.1 實驗一結(jié)果與分析74-75
• 5.6.2 實驗二結(jié)果與分析75-87
• 5.7 本章小結(jié)87-88
• 總結(jié)和展望88-90
• 本文工作總結(jié)88-89
• 工作展望89-90
• 參考文獻(xiàn)90-97
• 附錄97-107
• 攻讀碩士學(xué)位期間取得的研究成果107-108
• 致謝108-110
• 附件110

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 田雨波;朱人杰;薛權(quán)祥;;粒子群優(yōu)化算法中慣性權(quán)重的研究進(jìn)展[J];計算機工程與應(yīng)用;2008年23期

2 譚華;謝赤;羅長青;江洲;;基于模糊粗糙集挖掘方法的證券價格預(yù)測研究[J];運籌與管理;2008年04期

  本文關(guān)鍵詞：基于雙聚類的多周期投資交易規(guī)則挖掘，由筆耕文化傳播整理發(fā)布。

，

本文編號：295870