基于SMO算法的支持向量机选股模型研究

发布时间：2020-11-18 03:55

　　 随着近年来数理金融的不断完善,以及计算机技术的逐渐成熟,股票量化投资逐步发展起来。支持向量机(Support Vector Machine,SVM)作为很好的分类技术,国内外学者将其应用到股票选取中,做到了对股票收益率高低的分类及市场预测,但是由于股票市场数据的庞大和复杂性导致传统支持向量机分类精度不高。本文采用了序列最小化算法(Sequential Minimal Optimization,SMO)对支持向量机选股模型进行优化。首先选取对股票收益率影响较大的财务指标,利用这些财务指标降维分析所得数据建立基于SMO算法改进的支持向量机选股模型(SMOSVM),在模型构建方面,SMO-SVM选股模型在模型训练和测试时期准确率都高于SVM选股模型,尤其是在对于高收益股票的分类精度上有着明显的优势。接着使用选股模型进行股票投资组合的选取并将所选投资组合进行市场检验。经过对投资组合的市场检验,基于SMO算法优化的支持向量机选股模型所选股票投资组合的收益表现和风险方面均优于支持向量机选股模型。紧接着将市场周期分为上涨期、震荡期和下跌期,对投资组合进行分阶段的市场检验,结果显示,在上涨期,SMO投资组合承受高系统性风险的同时有着高的风险报酬,其收益高于上证综合指数和SVM投资模型;在震荡期,SMO投资组合有着不错的稳定性,基本维持着原有的超额收益;在下跌期通过风险指数的对比得出,承受相同风险的情况下,SMO有着更高的期望收益。本文对支持向量机进行算法优化可以使其更好的应用在量化金融领域,同时也为今后支持向量机的应用研究提供了新的思路。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F832.51;F224
【部分图文】：

非线性分隔超平面
【参考文献】

相关期刊论文 前10条

1 扶润劲;;浅谈企业财务指标有效性分析[J];新经济;2015年17期

2 王艳;陈敏;赵子龙;;基于高频夏普指数的组合证券投资模型[J];系统工程理论与实践;2015年01期

3 陈荣达;虞欢欢;;基于启发式算法的支持向量机选股模型[J];系统工程;2014年02期

4 苏治;傅晓媛;;核主成分遗传算法与SVR选股模型改进[J];统计研究;2013年05期

5 许红伟;吴冲锋;张翔;;我国量化(对冲)基金业绩表现的比较分析[J];投资研究;2013年02期

6 王健峰;张磊;陈国兴;何学文;;基于改进的网格搜索法的SVM参数优化[J];应用科技;2012年03期

7 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

8 奉国和;;SVM分类核函数及参数选择比较[J];计算机工程与应用;2011年03期

9 狄明明;孙德山;;聚类分析和支持向量机在股票研究中的应用[J];计算机技术与发展;2009年06期

10 李云飞;惠晓峰;;基于支持向量机的股票投资价值分类模型研究[J];中国软科学;2008年01期

本文编号：2888297