基于支持向量机的新三板金融时间序列模型及其应用

发布时间：2017-07-18 16:03

  本文关键词：基于支持向量机的新三板金融时间序列模型及其应用

  更多相关文章： 支持向量机 三板做市指数 预测 技术指标 反转点

【摘要】：随着我国多层次资本市场建设的不断推进,股票市场日益成为我国经济发展的一个重要助推,它承载了企业的股类融资需求以及人们投资交易的需求。2014年以来的疯狂牛市行情以及2015年后半年随之而来的A股市场的剧烈震荡,让人们不得不重新审视中国股市及整个资本市场。与此同时,蓬勃发展起来的号称“中国版纳斯达克”的新三板市场,逐渐成为我国多层次资本市场建设的重要基础组成部分。其相对特殊的地位、投资者准入门槛以及交易模式,决定了其目前是面向机构投资者的市场,市场行情数据特点也与沪深主板市场有所差异。而又因其发展时间较短,其行情指数推出也才近一年时间。对于这个市场各方面的研究,也并不是完全到位。在原理层面基于统计学习的理论以及结构风险最小化原则的支持向量机方法,是一种较为使用有效的智能预测方法,在解决具有小样本、非线性、贫信息等特征的数据挖掘问题时,有着较为独到的优势。它的两种主要的应用形式——分类机和回归机已经在金融市场地应用中,成为了一个有力的研究工具,也为研究新三板提供了一个思路。本文实证研究就是基于支持向量机方法展开,主要研究对象是新三板市场的主要指数之一——三板做市指数。主要从两个方面着手。一个方面的实证研究是选取与三板做市指数次日开盘价序列相关程度较高的指标,根据数据特征选取适当的核函数,用适当的方法进行参数寻优,训练v-ε-SVC模型,用以对三板做市指数次日开盘价序列进行行情预测。另一方面是选取具有代表性的几个技术指标,设定滑动窗口,挖掘技术指标识别的短期行情趋势反转点,并使用平滑处理后的日收盘价数据序列定义真实反转点。然后将所有的“疑似反转点”标记收集起来,划分训练集和测试集,选取核函数,进行参数寻优,训练C-SVC模型,对测试集中的反转点进行预测,为投资者判断短期行情变化提供参考。本文通过使用不同形式的SVM模型进行的三板做市指数实证研究,达到了比较理想的效果,对于参与新三板做市交易乃至后续对于该市场的研究,有一定的借鉴价值。
【关键词】：支持向量机 三板做市指数 预测 技术指标 反转点
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F832.51;F224
【目录】：

• 中文摘要8-10
• 英文摘要10-12
• 第一章 绪论12-17
• §1.1 研究背景和意义12-13
• §1.2 相关研究综述13-14
• §1.3 新三板市场简介14-15
• §1.4 研究内容与篇章结构15-17
• §1.4.1 主要研究内容15-16
• §1.4.2 文章结构简述16-17
• 第二章 统计学习和支持向量机理论概述17-30
• §2.1 统计学习概述17-20
• §2.2 支持向量机理论20-26
• §2.2.1 支持向量分类机21-24
• §2.2.2 支持向量回归机24-26
• §2.3 支持向量机优化简介26-30
• §2.3.1 核函数选取26-27
• §2.3.2 优化算法27-30
• 第三章 基于支持向量回归机的三板做市指数序列预测30-40
• §3.1 解读数据及指标30-31
• §3.2 所用模型实现工具简介31-32
• §3.3 模型建立32-36
• §3.4 结果分析36-40
• 第四章 基于支持向量分类机的三板做市指数短期行情反转点预测40-49
• §4.1 思路和数据指标简介40-44
• §4.1.1 思路介绍40-41
• §4.1.2 数据指标简介41-44
• §4.2 真实反转点的定义及数据预处理44-46
• §4.3 模型建立与分析46-49
• 第五章 研究总结与展望49-51
• §5.1 应用研究总结49
• §5.2 所做工作的局限与展望49-51
• 参考文献51-54
• 致谢54-55
• 学位论文评阅及答辩情况表55

【相似文献】

中国期刊全文数据库 前10条

1 贾凝;;支持向量机模型在统计学上的应用研究[J];统计与决策;2010年13期

2 吕向阳;高尚;;基于支持向量机的品牌特色专业评价[J];价值工程;2011年24期

3 黄胜忠;;遗传支持向量机在股市趋向的预测[J];计算机与数字工程;2012年01期

4 胡奎;朱成文;;基于支持向量机的雷达信号分类[J];统计与决策;2008年23期

5 许建萍;;基于支持向量机的工程索赔合理工效研究[J];科技创新导报;2009年07期

6 张明;刘念祖;;电子商务信用管理的支持向量机应用[J];中国管理信息化(综合版);2007年09期

7 高尚;梅亮;;基于支持向量机的电价组合预测模型[J];电力自动化设备;2008年11期

8 王毅;;支持向量机技术及其应用研究[J];中国高新技术企业;2008年15期

9 吕月英;;基于支持向量机工程施工风险预警研究[J];科技创新导报;2009年07期

10 芮丽梅;;改进支持向量机的商业银行评级算法[J];企业导报;2011年03期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：558516