第 1 章   緒論

1.1   研究背景與意義 
隨著社會(huì)的穩(wěn)定發(fā)展，普通民眾越來(lái)越熱衷于使用證券投資等理財(cái)方式進(jìn)行理財(cái)，尤其股票的投資最受歡迎。股票投資擁有門(mén)檻低、群眾參與度高等特點(diǎn)，深受廣大投資者的歡迎。在傳統(tǒng)的投資方式中，投資者對(duì)于股票市場(chǎng)的判斷主要依據(jù)市場(chǎng)信息和政策信息，還有一些投資者以技術(shù)指標(biāo)等分析手段對(duì)投資目標(biāo)進(jìn)行選取。以上投資方式不但效率低下，還會(huì)放大投資者性格上貪婪和投機(jī)等弱點(diǎn)，造成其錯(cuò)過(guò)最佳的投資時(shí)機(jī)。 近幾年來(lái)一種名為量化投資的新興投資形式逐漸被中國(guó)投資者所熟知。量化投資的定義為：利用計(jì)算機(jī)相關(guān)技術(shù)對(duì)證券投資相關(guān)信息進(jìn)行分析提取，獲得一個(gè)投資模型，并利用該投資模型實(shí)現(xiàn)對(duì)投資策略的指導(dǎo)。 量化投資者通過(guò)交易模型對(duì)股票數(shù)據(jù)進(jìn)行分析，符合該交易模型的股票意味著該股票可以進(jìn)行投資。量化投資通過(guò)程序化的操作方式有效規(guī)避了人類貪婪和投機(jī)的心理。量化投資基于計(jì)算機(jī)技術(shù)進(jìn)行股票分析，依托計(jì)算機(jī)對(duì)數(shù)據(jù)處理上的優(yōu)勢(shì)，擁有比人類高得多的效率，可以對(duì)全部市場(chǎng)的全部股票所產(chǎn)生的海量交易信息數(shù)據(jù)進(jìn)行分析，這一點(diǎn)對(duì)于人類來(lái)說(shuō)在實(shí)踐上十分困難。量化投資也可以通過(guò)數(shù)學(xué)工具對(duì)某支股票的風(fēng)險(xiǎn)進(jìn)行分析，提前提醒投資者投資的風(fēng)險(xiǎn)，并作為建議供投資者參考。 量化投資為投資者提供了選股的策略指導(dǎo)，利用計(jì)算機(jī)的特點(diǎn)，規(guī)避了人性情緒化投資和效率偏低的特點(diǎn)。由于量化投資在中國(guó)股市中剛剛起步，所以該方向的研究意義深遠(yuǎn)。 本文的研究目的就是基于量化投資的特點(diǎn)，利用計(jì)算機(jī)在數(shù)據(jù)處理上的優(yōu)勢(shì)，對(duì)存在的大量股票信息數(shù)據(jù)進(jìn)行處理，通過(guò)多項(xiàng)式擬合算法提取出股票離散歷史數(shù)據(jù)中的關(guān)鍵拐點(diǎn)，利用機(jī)器學(xué)習(xí)的分類算法，在這些拐點(diǎn)與非拐點(diǎn)集合中訓(xùn)練，得出一個(gè)可靠的投資模型。通過(guò)該模型判斷當(dāng)前股票市場(chǎng)是否處于股票價(jià)格關(guān)鍵拐點(diǎn)，以此來(lái)為股票投資者提供決策依據(jù)。本文的這種方法規(guī)避了傳統(tǒng)預(yù)測(cè)方法中對(duì)股票完整曲線的預(yù)測(cè)上的精度低噪聲大等問(wèn)題，通過(guò)降低問(wèn)題復(fù)雜度來(lái)提高預(yù)測(cè)精度。 
.........

1.2   國(guó)內(nèi)外研究現(xiàn)狀 
對(duì)于股票預(yù)測(cè)分析的常用方法有以下幾種： 1.時(shí)間序列分析法：文獻(xiàn)[1]將股票描述為一個(gè)非線性不穩(wěn)定的時(shí)間序列，并利用支持向量機(jī)的回歸算法對(duì)時(shí)間序列模型進(jìn)行分析預(yù)測(cè)。 2.神經(jīng)網(wǎng)絡(luò)法：神經(jīng)網(wǎng)絡(luò)是一種智能化方法，具有擬合非線性函數(shù)的學(xué)習(xí)能力，有較強(qiáng)的健壯性，能夠?qū)⒃肼暈V除[2]，可以應(yīng)用到股票預(yù)測(cè)中。 3.決策樹(shù)預(yù)測(cè)：這種方式主要基于決策樹(shù)，通過(guò)對(duì)互聯(lián)網(wǎng)自媒體中，專家的微博，博客等信息發(fā)布工具進(jìn)行抓取，基于專家的信息進(jìn)行構(gòu)造，形成一個(gè)決策樹(shù)并以此作為預(yù)測(cè)手段。該方法的股票預(yù)測(cè)系統(tǒng)與抓取的專家信息關(guān)系較大，結(jié)果取決于其他人，不能構(gòu)造出屬于自己的預(yù)測(cè)體系。 4.輿論預(yù)測(cè)：美國(guó)印第安納大學(xué)的約翰?博倫（Johan Bollen）等人[3]，通過(guò)在著名社交網(wǎng)站 Twitter 上獲取的信息，利用可以追蹤情緒的軟件工具將 Twitter 上網(wǎng)友的情緒分為六個(gè)類別，分別是：冷靜、警惕、確信、活力、友善和幸福。通過(guò)使用這些情緒信息來(lái)挖掘民眾對(duì)于某些事件的態(tài)度，以此來(lái)預(yù)測(cè)上市公司股票的價(jià)值，獲得了較好的預(yù)測(cè)結(jié)果。 文獻(xiàn)[5]對(duì)時(shí)間序列法和神經(jīng)網(wǎng)絡(luò)法兩種方式進(jìn)行了分析比較，得出結(jié)論：相較于ARIMA 時(shí)間序列模型的預(yù)測(cè)精度，神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)更加準(zhǔn)確一些，其根本原因是因?yàn)楣善笔袌?chǎng)中包含許多影響因素，對(duì)于這些變化的非線性行為，ARIMA 時(shí)間序列模型作為先行模型具有一些缺點(diǎn)，而神經(jīng)網(wǎng)絡(luò)的非線性映射能力可以將這些影響因素區(qū)分出來(lái)[3]，所以二者中神經(jīng)網(wǎng)絡(luò)更好。 
..........

第 2 章   股票技術(shù)分析與機(jī)器學(xué)習(xí)技術(shù) 

證券的分析技術(shù)主要分為基本面分析和技術(shù)分析兩大類�；久娣治龅哪康氖菫榱伺袛喙蓛r(jià)現(xiàn)有的價(jià)位是否正常，并根據(jù)宏觀政策、領(lǐng)域發(fā)展趨勢(shì)或者未來(lái)社會(huì)走勢(shì)等信息預(yù)測(cè)該支股票今后的發(fā)展，該方法適用于判斷長(zhǎng)期持有一支股票是否有盈利的可能。而技術(shù)分析主要是用來(lái)預(yù)測(cè)股票短期的趨勢(shì)，通過(guò)技術(shù)指標(biāo)判斷出買(mǎi)入時(shí)機(jī)與賣出時(shí)機(jī)，價(jià)低進(jìn)入價(jià)高退出，獲得差價(jià)從而盈利。由于基本面分析主要由市場(chǎng)形勢(shì)，國(guó)家政策等宏觀不可控因素決定，所以本文使用股票的技術(shù)分析方法判斷股票漲跌。 

2.1   技術(shù)分析的前提 
由于每個(gè)人對(duì)股票的分析以及看法各不相同并且每個(gè)人購(gòu)入股票的習(xí)慣難以改變。所以在股票歷史中的某種規(guī)則可能會(huì)反映在今后的股票市場(chǎng)的變化中。通過(guò)對(duì)歷史數(shù)據(jù)的分析挖掘，很有可能會(huì)獲取到某種盈利策略.如果股票的價(jià)格以一種完全隨機(jī)的方式進(jìn)行變化，那么預(yù)測(cè)并沒(méi)有太大的作用。但是由于各類趨勢(shì)的存在，，使得股票的價(jià)格不是以一個(gè)完全隨機(jī)的方式變化，而是根據(jù)股民心理、買(mǎi)入賣出數(shù)量和小道消息等一系列原因發(fā)生變化。在獲得某種趨勢(shì)信息后可以有一定的時(shí)間進(jìn)行買(mǎi)與賣操作，從而獲利。能夠影響股票價(jià)格的因素一旦產(chǎn)生，在股票的價(jià)格曲線中可以觀測(cè)到該因素對(duì)股票價(jià)格的影響。 經(jīng)過(guò)文獻(xiàn)的閱讀發(fā)現(xiàn)，文獻(xiàn)[4]的作者通過(guò)多次重復(fù)實(shí)驗(yàn)，證明了技術(shù)分析在中國(guó)股票市場(chǎng)中應(yīng)用的有效性。[4]這表明了技術(shù)分析在中國(guó)股票市場(chǎng)的有效性，為本文使用技術(shù)分析的手段預(yù)測(cè)股票關(guān)鍵拐點(diǎn)提供了理論依據(jù)。 
........

2.2   常用技術(shù)分析的手段 

常用的技術(shù)分析主要有通道突破，相對(duì)強(qiáng)弱指標(biāo)，均線等等，各自有不同的特點(diǎn)和應(yīng)用領(lǐng)域：通道突破的主要原理是根據(jù)某種算法模擬出股票價(jià)格所擁有的最大最小區(qū)間，當(dāng)股票突破了曲線上限或下限時(shí)說(shuō)明當(dāng)前股票的狀態(tài)超過(guò)了股票應(yīng)有的正常值，所以會(huì)向反方向調(diào)整。均線又稱移動(dòng)平均線，該策略算法比較簡(jiǎn)單，將某一時(shí)間段所有的收盤(pán)價(jià)求和然后除以該周期，得到一個(gè)平均值。均值的時(shí)間段長(zhǎng)度可以根據(jù)需求進(jìn)行變換，在實(shí)際應(yīng)用中 5 日、10 日、20 日和 30 日較為常見(jiàn)。在股票市場(chǎng)中，每一天都能根據(jù)之前的k 天求出一個(gè)平均值，多日的平均值放在一起即可得到一條曲線，該條曲線就是移動(dòng)平均線。根據(jù)均線時(shí)間周期的大小可以將均線分為短期均線、中期均線和長(zhǎng)期均線三種，適用范圍各自不同。在實(shí)際中往往綜合這三種均線的不同組合形式來(lái)判斷預(yù)測(cè)股市的行情。移動(dòng)平均線可以用來(lái)作為投資人士判斷買(mǎi)點(diǎn)賣點(diǎn)的依據(jù)，可以簡(jiǎn)單快捷的表現(xiàn)出股票價(jià)格的走勢(shì)。 對(duì)于均線交易策略，文獻(xiàn)[6]證明了其合理性,通過(guò)對(duì)移動(dòng)平均交易策略的深入研究得出了在均線規(guī)則下頭投資者可以獲得超額收益。 

.........  
【學(xué)位級(jí)別】：碩士

第 3 章  基于多項(xiàng)式擬合的離散數(shù)據(jù)趨勢(shì)關(guān)鍵拐點(diǎn)識(shí)別 ........ 18   
3.1  實(shí)驗(yàn)意義 ......... 18   
3.2  傳統(tǒng)的趨勢(shì)拐點(diǎn)獲取方法 ........... 18   
3.3  改進(jìn)思路 ......... 19  
3.3.1  插值擬合與多項(xiàng)式擬合的比較選擇 ....... 20   
3.4  基于多項(xiàng)式擬合的離散數(shù)據(jù)趨勢(shì)拐點(diǎn)識(shí)別 ..... 21   
3.5  效果對(duì)比 ......... 27 
第 4 章  基于支持向量機(jī)的股票關(guān)鍵拐點(diǎn)預(yù)測(cè) ........ 32   
4.1  實(shí)驗(yàn)架構(gòu) ......... 32   
4.2  歷史數(shù)據(jù)抓取 ..... 33 
4.2.1  數(shù)據(jù)獲取方式 ......... 33  
4.2.2  數(shù)據(jù)保存格式 ......... 33   
4.3  收盤(pán)價(jià)關(guān)鍵拐點(diǎn)識(shí)別 ....... 33  
4.4  特征向量生成 ..... 36
4.5  兩類分類任務(wù)以及特征向量整合 ..... 41
4.6  支持向量機(jī)核函數(shù)的選擇 ........... 44 
第 5 章  結(jié)果分析 ........ 50   
5. 1  關(guān)鍵拐點(diǎn)應(yīng)用效果 ........ 50
5.2  效果對(duì)比 ......... 51 

第 5 章   結(jié)果分析

5. 1   關(guān)鍵拐點(diǎn)應(yīng)用效果

在測(cè)試數(shù)據(jù)中應(yīng)用訓(xùn)練所得出的向上關(guān)鍵拐點(diǎn)模型。經(jīng)過(guò)模型分類后，取值為 0的日期表示該點(diǎn)不是向上關(guān)鍵拐點(diǎn)，取值為 1 的值表示該點(diǎn)是向上關(guān)鍵拐點(diǎn)并且可以進(jìn)行買(mǎi)入操作。取向上關(guān)鍵拐點(diǎn)集合中的一個(gè)元素拿到股票軟件中進(jìn)行比對(duì)，由下圖5.1 可知，在 2003 年 9 月 18 日之后，股市開(kāi)啟了一段持續(xù)數(shù)天的上漲趨勢(shì)，中間雖有震蕩，但主體價(jià)格還是上漲的。在測(cè)試數(shù)據(jù)中應(yīng)用訓(xùn)練所得出的向下關(guān)鍵拐點(diǎn)模型。經(jīng)過(guò)模型分類后，取值為 0的日期表示該點(diǎn)不是向下關(guān)鍵拐點(diǎn)，取值為 1 的值表示該點(diǎn)是向下關(guān)鍵拐點(diǎn)，可以進(jìn)行賣出操作。在股票軟件中找出該向下拐點(diǎn)的日期，在股價(jià)趨勢(shì)圖中進(jìn)行比對(duì)，由圖5.2 可知，從那天起股票的價(jià)格開(kāi)啟了一段持續(xù)多天的下降趨勢(shì)。下降幅度非常大。 

 

 

.......

總結(jié)

在實(shí)驗(yàn)的采樣階段，區(qū)別于其他的股票關(guān)鍵拐點(diǎn)預(yù)測(cè)，本文提出了基于多項(xiàng)式擬合的股票關(guān)鍵拐點(diǎn)識(shí)別方式。通過(guò)此方法提取出股票收盤(pán)價(jià)以及各個(gè)指標(biāo)的關(guān)鍵拐點(diǎn)。在分類模型的訓(xùn)練階段，本文提出以能反映的股票拐點(diǎn)信息的 MACD、KDJ 和換手率等技術(shù)指標(biāo)作為支持向量機(jī)的特征向量的方法，以分類模型的方式而不是回歸模型的方式對(duì)股票的關(guān)鍵拐點(diǎn)進(jìn)行預(yù)測(cè)，最終，通過(guò)實(shí)驗(yàn)表明，該方法可以為投資者提供一定的參考。 為了完成實(shí)驗(yàn)，本文所做的具體工作如下所示： 
（1）通過(guò)閱讀大量參考文獻(xiàn)，得知了技術(shù)分析在中國(guó)股票市場(chǎng)的有效性，為下文通過(guò)技術(shù)分析指標(biāo)進(jìn)行股價(jià)關(guān)鍵拐點(diǎn)預(yù)測(cè)奠定了理論基礎(chǔ)。 
（2）通過(guò)閱讀文獻(xiàn)，了解了應(yīng)用核函數(shù)的支持向量機(jī)在非線性分類預(yù)測(cè)上的優(yōu)勢(shì)，選擇支持向量機(jī)作為實(shí)驗(yàn)的基本算法。 
（3）通過(guò)實(shí)驗(yàn)分析了在離散數(shù)據(jù)集合中傳統(tǒng)的拐點(diǎn)識(shí)別方式的缺點(diǎn)。為了改進(jìn)這些缺點(diǎn)，提出將多項(xiàng)式擬合法應(yīng)用到離散數(shù)據(jù)當(dāng)中來(lái)獲取其關(guān)鍵拐點(diǎn)。 
（4）為了獲得多項(xiàng)式擬合方程的最佳方程階數(shù)，本文通過(guò)多次實(shí)驗(yàn)對(duì)不同階數(shù)的多項(xiàng)式方程擬合曲線進(jìn)行分析，通過(guò)其平均漲幅，平均持續(xù)時(shí)間，漲幅與離散時(shí)間的標(biāo)準(zhǔn)差以及誤差率，最終得出結(jié)論：13 階的多項(xiàng)式擬合方程在 50 個(gè)數(shù)據(jù)的數(shù)據(jù)集中擁有最佳的擬合效果。   
（5）在多項(xiàng)式擬合識(shí)別股票關(guān)鍵拐點(diǎn)的實(shí)際應(yīng)用過(guò)程中，發(fā)現(xiàn)由于股票數(shù)據(jù)量巨大，該方法不能有效的工作。所以對(duì)多項(xiàng)式擬合方法的擬合過(guò)程進(jìn)行改進(jìn)。通過(guò)分治法的思想，把多項(xiàng)式擬合識(shí)別關(guān)鍵拐點(diǎn)這個(gè)方法應(yīng)用到了大量數(shù)據(jù)集合中。完成了股票關(guān)鍵拐點(diǎn)的采樣識(shí)別。 
.........
參考文獻(xiàn)(略)

 

本文編號(hào)：98602