核主成分遗传算法与SVR选股模型改进

发布时间：2017-09-02 03:35

  本文关键词：核主成分遗传算法与SVR选股模型改进

  更多相关文章： 核主成分分析 遗传算法 KPCA-GA-SVR模型 量化选股

【摘要】：量化选股一直是金融领域研究的热点。随着人工智能技术的空前发展,量化选股方法取得了很大进步。本文构建了基于核主成分遗传算法改进的支持向量回归机人工智能选股模型(KPCA-GA-SVR),并基于沪深股市股票基本面及交易数据,分别从短期和中长期对其选股性能和预测精度进行了实证分析。主要结论为:①遗传算法(GA)改进的SVR较传统模型预测精度更高,且避免了过度拟合;②与采用主成分降维技术的PCA-GA-SVR模型相比,基于核主成分特征提取的KPCA-GA-SVR模型,具有更好的模型稳健性及预测准确性;③中长期内该模型的预测误差随滑窗长度的增加有降低趋势,且一年期预测精度最高;短期内不同滑窗下,一周的预测效果最佳。本研究对个人投资者的投资决策及国家宏观监控股市动态变化都具积极意义。
【作者单位】： 清华大学经济管理学院应用经济学金融系;中央财经大学统计学院;
【关键词】： 核主成分分析 遗传算法 KPCA-GA-SVR模型 量化选股
【基金】：国家自然科学基金青年项目(71101157) 教育部人文社会科学研究青年基金项目(10YJC790220) 教育部博士点基金课题(20110016120001)的资助
【分类号】：F830.91;F224
【正文快照】： 一、引言量化选股一直是投资决策中极具挑战性的工作,如何采用有效的数量技术对股票价格进行准确的预测是选股问题的核心所在。由各证券交易所公布的股市行情是一个随时间推移而变化的过程。从数理统计的角度来看,是一系列的离散数据。随机行走(Random Walk)理论认为股价的波

【参考文献】

中国期刊全文数据库 前3条

1 彭丽芳;孟志青;姜华;田密;;基于时间序列的支持向量机在股票预测中的应用[J];计算技术与自动化;2006年03期

2 徐国祥;杨振建;;PCA-GA-SVM模型的构建及应用研究——沪深300指数预测精度实证分析[J];数量经济技术经济研究;2011年02期

3 李云飞;龚冬生;惠晓峰;;基于价值投资的PCA-SVM股票选择模型研究[J];西安工程大学学报;2009年03期

【共引文献】

中国期刊全文数据库 前4条

1 喻胜华;肖雨峰;;基于信息粒化和支持向量机的股票价格预测[J];财经理论与实践;2011年06期

2 马细霞;穆浩泽;;基于小波分析的支持向量机径流预测模型及应用[J];灌溉排水学报;2008年03期

3 周胜臣;施询之;瞿文婷;石英子;孙韵辰;;基于微博搜索和SVM的股市时间序列预测研究[J];计算机与现代化;2013年04期

4 徐国祥;杨振建;;PCA-GA-SVM模型的构建及应用研究——沪深300指数预测精度实证分析[J];数量经济技术经济研究;2011年02期

中国博士学位论文全文数据库 前1条

1 刘立霞;多变量金融时间序列的非线性检验及重构研究[D];天津大学;2007年

中国硕士学位论文全文数据库 前10条

1 赵欣;基于支持向量机的中国证券市场长期投资分析[D];北京交通大学;2011年

2 王任重;基于支持向量机的地球同步轨道相对论电子事件预报方法研究[D];中国科学院研究生院（空间科学与应用研究中心）;2011年

3 杨e，

本文编号：776188