基于PCA-SVM模型的量化择时研究

发布时间：2017-03-18 09:06

  本文关键词：基于PCA-SVM模型的量化择时研究，由笔耕文化传播整理发布。

【摘要】：随着我国股票市场的发展,股市的功能日益提高,对我国股市投资方面的研究越来越多。文章基于股票市场技术指标,利用支持向量机(SVM)理论,将沪深300指数作为研究标的,并借助计算机做出量化择时实证分析,去研究如何提高投资的收益性和稳定性。由于我国沪深300股指期货已推出,将沪深300指数作为标的,也有助于对实际投资策略的研究。传统的技术分析和基本面分析对股市的解释能力越显乏力,文章运用非线性的数据挖掘技术对我国股市价格行为进行分析。在具体技术的选择上,文章将人工神经网络和支持向量机进行了比较,最终得出了支持向量机训练精确度更高的结论。支持向量机层面,分为传统支持向量机和改进的支持向量机,对于改进的支持向量机主要体现在其参数的寻优方面,网格搜索法的参数寻优在实证方面精确度表现得更高。针对于数据的选择方面,文章依据量化择时的理论基础,对选取的数据进行ADF单位根检验,判断得出此段数据已达到弱式有效。对于数据的处理方面,为了降低数据的冗杂性,提高模型的训练精度和降低模型的训练时间,文章采用主成分分析方法(PCA),对数据进行预处理。实证结果表明经过PCA之后的模型精确度更高。鉴于此,综合支持向量机(SVM),主成分分析(PCA),网格搜索法,文章构建了基于网格搜索法下的PCA-SVM模型。并且结合具体数据,采用了一种SVM模型的量化择时方法,通过与同期沪深300指数的对比,得出了PCA-SVM量化择时策略收益更高,稳定性更强,抗跌能力更好的结论。但是由于技术和经验的不足,文章未能将技术指标与宏观数据进行结合,降低了数据的综合解释能力；并且股市的数据之间不仅仅只存在相关性,噪声也是股市中存在的问题,对降噪方面,文章尚未涉及。这些方面需要后续进一步研究。
【关键词】：量化择时 支持向量机(SVM) 网格搜索法 主成分分析(PCA)
【学位授予单位】：天津财经大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F832.51;F224
【目录】：

• 内容摘要5-6
• Abstract6-9
• 第1章 导论9-16
• 1.1 研究背景及意义9-10
• 1.1.1 研究背景9-10
• 1.1.2 研究意义10
• 1.2 国内外相关研究综述10-13
• 1.2.1 国内市场有效性的研究现状11
• 1.2.2 数据挖掘技术在金融市场中的运用11-12
• 1.2.3 支持向量机在金融数据挖掘中的研究现状12-13
• 1.3 本文的研究内容和框架结构13-14
• 1.4 本文的研究方法和创新点14-16
• 1.4.1 研究方法15
• 1.4.2 本文创新点15-16
• 第2章 基于支持向量机的量化择时理论框架16-31
• 2.1 量化择时理论16-19
• 2.2 市场有效性理论19-21
• 2.2.1 有效市场理论19-20
• 2.2.2 ADF单位根检验法20-21
• 2.3 技术指标选择理论21-25
• 2.3.1 技术指标的选择原则21-22
• 2.3.2 主要技术指标及其应用22-25
• 2.4 统计学习理论25-26
• 2.5 支持向量机理论26-31
• 2.5.1 线性分类器27-29
• 2.5.2 SVM非线性分类方法29-31
• 第3章 基于PCA-SVM模型量化择时策略的构建31-39
• 3.1 模型策略构建的思路31-33
• 3.2 主成分分析法(PCA)33-36
• 3.3 网格搜索法下的参数寻优36-39
• 第4章 PCA-SVM模型在量化择时中的实证检验39-49
• 4.1 数据检验和数据预处理39-43
• 4.1.1 运用ADF单位根法检验数据市场有效性39-40
• 4.1.2 主成分分析(PCA)处理40-43
• 4.2 模型的实证分析43-47
• 4.2.1 PCA-SVM模型的结果43-44
• 4.2.2 BP神经网络的预测结果44-47
• 4.3 模型下沪深300指数择时策略分析47-49
• 第5章 结论与建议49-52
• 5.1 基于SVM模型的择时策略具备较高推广能力49
• 5.2 PCA能够降低数据维度,后期研究需关注数据噪声49-50
• 5.3 运用网格搜索法对模型参数寻优能够提高策略收益率50-51
• 5.4 未来研究展望51-52
• 参考文献52-54
• 后记54

【相似文献】

中国期刊全文数据库 前10条

1 李俪巧,陈智高;转移成本与竞争的简单模型分析[J];企业经济;2002年10期

2 白玲;王歆;;服务创新的四纬度模型对我国金融服务创新的启示[J];商场现代化;2007年31期

3 李超;;企业增长的3C模型分析[J];中国中小企业;2011年08期

4 蔡e，

本文编号：254224