基于Piotroski方法和ARIMA-SVR模型的股票投资策略研究

发布时间：2017-07-16 00:06

  本文关键词：基于Piotroski方法和ARIMA-SVR模型的股票投资策略研究

  更多相关文章： 股票投资 Piotroski方法 时间序列 支持向量机回归 ARIMA-SVR

【摘要】：我国不断推进经济体制的深化改革,与此同时,股票市场也得到不断的完善与发展,股票市场作为我国证券业和金融业不可或缺的重要组成部分,是一个充满机遇和挑战的领域。股票投资是一种高收益,同时又是高风险的手段。投资者在进行股票选择及买卖之前,需要有一套科学有效的方法,找到收益和风险的平衡点,以实现预期的投资目标。因此,与股票投资相关的数据分析和预测就具有十分重要的理论意义和实用价值。目前股票策略研究主要是采用基本面法或技术面法单一的方式,本文提出一种基于量化分析和数据挖掘技术结合的投资策略。先利用财务指标,构建选股策略,选择投资前景良好的股票。然后利用数据挖掘方法对股票的收盘价进行预测,得到对单只股票价格走势的预测结果。通过对比预测涨幅和预先设定的涨幅阈值,找到更合适的买卖股票时间点,从而获得更高的收益。首先采用Piotroski选股方法,挑选出9个具有代表性的财务指标,然后根据各自的评分标准进行打分,最后得到综合评分。由综合评分可以选取具有投资价值的高分组股票。将这些股票作为研究对象,选择合适的时间点进行买卖。然后分别使用时间序列(ARIMA)模型和支持向量机回归(SVR)模型对股票的收盘价进行预测,接着结合两者构建ARIMA-SVR模型。实验证明混合模型的预测效果最好。在混合模型预测的基础上,利用比例系数法进而求出收盘价的预测区间。最后根据预测的涨幅决定是否持有股票,从而得到买卖股票的最佳时间点。实验结果表明,Piotroski选股方法适用于中国A股市场。高分组的收益率在持有期都比低分组组合高,同时最大回撤比低分组组合要低。ARIMA-SVR混合模型对沪深300成分股东方航空和非沪深300成分股的四川路桥收盘价的预测效果,比单一的ARIMA模型和SVR模型都优。基于比例系数法的区间预测方法,能取得较好的效果。最后,通过综合实验,验证定性方法(Piotroski方法)与定量方法(ARIMA-SVR混合模型)结合是有效的。最终结果表明,基于Piotroski选股方法和ARIMA-SVR模型的投资策略是有效的,能够保证收益,同时控制风险。
【关键词】：股票投资 Piotroski方法 时间序列 支持向量机回归 ARIMA-SVR
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F832.51;F224
【目录】：

• 摘要5-6
• Abstract6-11
• 第一章 绪论11-17
• 1.1 研究背景与意义11-12
• 1.2 国内外研究现状12-14
• 1.2.1 量化选股研究综述12-13
• 1.2.2 数据挖掘技术在股价预测的研究综述13-14
• 1.3 本文主要研究思路14-15
• 1.4 本文结构安排15-17
• 第二章 基于财务指标的选股模型17-23
• 2.1 Piotroski选股方法背景介绍17
• 2.2 Piotroski选股方法简介17-19
• 2.3 收益率的计算19-20
• 2.4 Piotroski选股方法的实证研究20-22
• 2.5 本章小结22-23
• 第三章 基于ARIMA模型的股价预测23-35
• 3.1 时间序列23-24
• 3.1.1 时间序列的基础知识23
• 3.1.2 平稳时间序列23-24
• 3.2 ARMA模型的基本原理24-27
• 3.2.1 ARMA模型简介25-27
• 3.2.2 时间序列的相关性27
• 3.3 ARMA模型的建模步骤27-32
• 3.3.1 时间序列的平稳性检验与处理28-29
• 3.3.2 模型类型的识别29
• 3.3.3 时间序列模型阶数的确定29-31
• 3.3.4 对模型参数进行估计31
• 3.3.5 模型检验31-32
• 3.3.6 应用ARIMA模型预测股票收盘价32
• 3.4 实验与结果分析32-34
• 3.4.1 实验描述及准备32
• 3.4.2 实验结果分析32-34
• 3.5 本章小结34-35
• 第四章 基于SVM模型的股价预测35-47
• 4.1 统计学习理论（SLT）35-36
• 4.2 支持向量机（SVM）分类器36-37
• 4.3 线性类型的支持向量机37-40
• 4.3.1 线性可分的情形37-38
• 4.3.2 非线性可分的情形38-40
• 4.4 非线性类型的支持向量机40
• 4.5 核函数40-42
• 4.6 支持向量机回归算法42-44
• 4.6.1 线性回归的情形42-43
• 4.6.2 非线性回归的情形43-44
• 4.7 SVR在股票收盘价预测中的应用44-45
• 4.7.1 实验描述及准备44
• 4.7.2 实验结果分析44-45
• 4.8 本章小结45-47
• 第五章 基于混合算法在股价预测47-57
• 5.1 ARIMA-SVR混合算法47-48
• 5.2 比例系数法48-51
• 5.2.1 比例系数法简介48
• 5.2.2 预测区间评估指标48-51
• 5.3 基于ARIMA-SVR的收盘价预测51-54
• 5.3.1 实验描述及准备51
• 5.3.2 实验结果分析51-54
• 5.4 基于比例系数法和ARIMA-SVR的收盘价区间预测54-56
• 5.4.1 实验描述及准备54
• 5.4.2 实验结果及分析54-56
• 5.5 本章小结56-57
• 第六章 组合投资策略实证研究57-62
• 6.1 策略描述57-58
• 6.2 实验描述及准备58-59
• 6.2.1 样本选取方案58-59
• 6.2.2 计算过程59
• 6.3 实验结果分析59-61
• 6.4 本章小结61-62
• 总结62-64
• 参考文献64-69
• 攻读硕士学位期间取得的研究成果69-70
• 致谢70-71
• 答辩委员会对论文的评定意见71

，

本文编号：546297