基于支持向量机的证券投资风险管理研究

发布时间：2021-07-20 13:13

　　风险是影响一切金融活动的基本要素。我国金融市场作为一个发展中的新兴市场,不仅仅是信用风险,市场风险等其他风险也必将随着金融市场的发展而逐渐加大。因此,金融风险管理方法研究对当前及未来我国金融创新以及投资机构进行投资决策均具有重要的意义。/支持向量机（Support Vector Machine,SVM）是在统计学习理论的基础上发展起来的一种新的机器学习方法,由于其完备的理论基础、出色的学习性能及预测性能而得到了广泛的应用。本文研究基于支持向量机的证券风险管理方法,主要的工作和取得的成果有:系统总结与回顾了证券市场投资风险度量方法;介绍了基于结构风险最小化原则的支持向量机理论与方法及SVM在经济学中的应用情况并研究了基于SVM的证券价格预测方法。以上海证券交易所综合指数为例的实证研究表明SVM模型能够很好的对股市波动进行建模。以华夏大盘精选基金为例的实证研究表明基于SVM的混沌时间序列预测可以较好捕捉市场运行趋势和识别市场异常波动,是一种优秀的风险预测与管理工具。针对统计学框架下传统VaR计算方法的不足,发展了基于加权支持向量机（W-SVM）的VaR计算新方法。对2001-2009年上证... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

上证综指实际值与预测值的比较

其中 x (t )为混沌时间序列，τ 为时延宽度，通常τ 为不小于 1 的整数维数。经过学习，得到预测值为^y = f ( X ( t 1))。.3 Henon 混沌时间序列Henon 映射是一种常见的混沌时间序列。Henon 映射吸引子的迭代出：{2( 1) 1 ( ( )) ( )( 1) ( )x k A x k yy k Bx k+ = ++ =k取 A=1.4，B=0.3。赋初值0x = 0.03，0y = 0.02，生成 600 组数据 组用作训练样本，后 100 组作为预测样本。根据相空间重构理论， d = 3，时延τ = 1。经过参数寻优后得到预测误差 MSE=6.9625e-004了预测值与实际预测值的对比效果。可见基于 SVM 的混沌时间序好的预测效果。

4.4.2 预测结果分析仍然取嵌入维数为 d = 3，时延τ = 1，支持向量机模型同 4.2 节。图测值与实际值的比较。从图中可以看出，在 20-40 数据点间预测效果不期间正对应 2008 年 6-7 月间 13 连阴的大盘动荡，类似于 2007 年 5 月 天的极端市场行情。市场恐慌情绪导致大盘选择向下直到 1665.93 的近点。对于这种市场恐慌情绪造成的数据异常，已不是金融时间序列所能但是连续多日的 SVM 预测值出现实际值的偏离，却可以说明市场交易常现象。这从另一个方面给予投资者市场风险预警，仍然不失其风险预尽管前期数据不足已完全预测这种异常交易条件下的价格波动，但仍然不超过 8％的误差，也还比较好的捕捉到了基金价格的变动趋势。数据点上的预测值比较准确，这对应 2008 年 7 月后的市场行情，此段期较正常，没有太多极端行情发生。这说明混沌时间序列还是能比较快的场的波动。基于 SVM 的混沌预测模型一方面可以较好的预测市场波动能对异常交易进行预警。

【参考文献】：
期刊论文
[1]VaR模型在金融风险管理中的应用[J]. 肖志勇,宿永铮.  生产力研究. 2008(24)
[2]不允许卖空情况下均值-方差和均值-VaR投资组合比较研究[J]. 张鹏.  中国管理科学. 2008(04)
[3]个人信用评估PSO-SVM模型的构建及应用[J]. 姜明辉,袁绪川.  管理学报. 2008(04)
[4]两种带有能力（Capacity）约束的报童风险模型最优策略[J]. 杨磊,王明征,李文立.  系统工程理论与实践. 2008(04)
[5]股票流动性风险测度模型的构建与实证分析[J]. 韩国文,杨威.  中国管理科学. 2008(02)
[6]CVaR方法在投资组合中的应用[J]. 王玉玲.  统计与决策. 2008(02)
[7]基于支持向量机的股票投资价值分类模型研究[J]. 李云飞,惠晓峰.  中国软科学. 2008(01)
[8]基于P-SVM的绿色供应商评价模型[J]. 郭雪松,孙林岩,徐晟.  预测. 2007(05)
[9]基于PSO和SVM的上市公司财务危机预警模型[J]. 胡达沙,王坤华.  管理学报. 2007(05)
[10]基于动态CVaR模型的房地产组合投资的风险度量与控制策略[J]. 孟志青,虞晓芬,蒋敏,高辉.  系统工程理论与实践. 2007(09)



本文编号：3292889