基于数据挖掘技术的股市定价模型

发布时间：2016-11-22 12:14

本文关键词：有效证券市场的理性泡沫与股票内在价值的信息滤波，由笔耕文化传播整理发布。

数据挖掘技术在股市定价分析中的应用研究；市的情况相符；碍捂娶嚣赢输入样本数；图４．２３泸州老窖；输入样本数；图４．２４深发展Ａ；碍相娶蘼祭；输入样率数；图４．２５大商股份；工程硕士学位论文；图４．２６云南白药；图４．２７１２支股票组合收益率预测结果；如图４．２７所示，组合收益率基本维持在３％左右，；全部１２支股票为：大商股份、泸州老窖、深发展Ａ、；本章是本文

数据挖掘技术在股市定价分析中的应用研究

市的情况相符。鉴于个股收益率情况非常不稳定，下一步进行组合的收益率预测。

碍捂娶嚣赢输入样本数

图４．２３泸州老窖

铸

褶

塾

累

甍

输入样本数

图４．２４深发展Ａ

碍相娶蘼祭

输入样率数

图４．２５大商股份

工程硕士学位论文

图４．２６云南白药

图４．２７１２支股票组合收益率预测结果

如图４．２７所示，组合收益率基本维持在３％左右，在持有２０个月时为最低３．２％，４０个月时达到最高３．７％；同时组合预测效果较佳，收益率底部和峰值均能较好拟合真实值。对比４．２３．４．２６和４．２７，可以看出组合收益率要明显好于个股收益率情况，说明在中国股市不稳定或者持续低迷时期，应选择组合策略以规避风险，第３类组合是较合适的选择。

全部１２支股票为：大商股份、泸州老窖、深发展Ａ、云南白药、招商地产、山西汾酒、王府井、青岛海尔、沱牌舍得、爱建股份、丰华股份、彩虹股份。４．５小结

本章是本文的重点，其主要分为四部分内容：一是对聚类算法和Ｄａｕｂｅｃｈｉｅｓ小波阈值的改进；二是阐述ＢＰ神经网络和选取激活函数；三是对基于改进聚类算法和ＢＰ神经网络的多因素股市定价模型进行实验预测，预测之前用改进阈值的小波去噪并进行归一化预处理；最后，结合个股基本面，将这一模型用于投资个股和投资组合的筛选，并进行收益率预测。本章针对多尺度Ｆ—Ｆ模型仍存在的三个缺点，实现了对多尺度Ｆ．Ｆ模型的逐一改进。６ｌ

数据挖掘技术在股市定价分析中的应用研究

结论

金融作为维系国家经济运行的纽带和联系各国经济的桥梁，在国家经济发展中占有举足轻重的地位。金融市场已经进入全球化、电子化和虚拟化的时代，在信息化和数量化的大背景下，金融市场得到了飞速发展，金融业每天产生的数据正在以惊人的速度增长，但是数据爆炸而知识贫乏的现象普遍存在，一数据挖掘技术逐渐扮演了发现知识和推动知识创新的重要角色。金融数据挖掘作为现代化信息技术，其创新性和先进性无可替代，金融市场对于自主开发的先进现代金融数据挖掘技术和方法非常的渴求。

本文结合软件工程和金融、统计、财务知识，将数据挖掘技术应用于股市定价模型的改进研究中。首先使用小波转换技术，从时间尺度上扩展了传统的Ｆ－Ｆ模型，构建了多尺度的Ｆ．Ｆ模型。其次针对多尺度Ｆ．Ｆ模型在Ｂ／Ｈ组的调整后协方差仍不显著的弊端，进一步研究了聚类算法和神经网络方法，提出层次分割聚类算法用于对股市定价影响因子的聚类分析，构造了基于改进聚类算法和ＢＰ神经网络的多因素模型，并预测检验。最后将基于改进聚类算法和ＢＰ神经网络的预测模型用于样本股票的分类和选股，筛选出１２支股票构成的投资组合，并分别对个股和组合收益率进行预测检验。

本文主要完成的工作和特色如下：

（１）使用Ｄａｕｂｅｅｈｉｅｓ小波作为一个相对较新的和强大的分析工具，对单一尺度的Ｆ．Ｆ模型进行多尺度分解，构造了多尺度Ｆ。Ｆ模型，解决了传统模型无法用于长期投资分析的弊端，为金融市场的投资者在资产定价领域进行多尺度分析提供了新方法。

．．（２）对聚类算法进行了改进，结合ＢＩＲＣＨ算法和ＣＬＡＲＡ算法，提出层次分割聚类算法，用于对股市定价样本指标的聚类挖掘，最终分析得出四个影响组合收益率的因子：系统协偏度、系统协峰度、市场超额收益率和每元现金流净额。通过与传统三因子的比较检验，这四个因子更适合中国股市定价研究。同时，其解决了Ｆ．Ｆ模型在Ｂ／Ｈ组解释效力不足，，即调整后协方差不显著的问题。

（３）将改进阈值的小波函数用于对数据的小波去噪处理，结果表明其去噪效果好于软阈值（硬阈值）函数，对于正常数据中的隐藏“噪音”有一定的去噪功能。

（４）将基于改进聚类算法和ＢＰ神经网络的预测模型用于样本股票的分类和选股，并进行预测，其预测值和真实值拟合效果较好。这一方法无需像传统Ｆ—Ｆ模型一样人为计算复杂的因子和判断公司规模和账面价值比的高低，降低了预测的复杂度、缩短了分析股票收益率的时间。一

工程硕士学位论文

存在的问题和今后的研究展望：

（１）本文进行预处理时使用的小波去噪方法是建立在对阈值的改进基础上，实际上小波去噪的方法还有很多，比如曲波去噪、小波系数模型去噪、多小波去噪等，同时对于小波基函数的选取也可以进一步作出改进和优化；

（２）本文聚类方法的改进主要是结合层次聚类和划分聚类思想，其性能还可以进一步优化，这就需要对算法进行更深入地学习研究，这也将是下一阶段的学习重点；

（３）本文使用的神经网络方法为ＢＰ算法，但其实应用较多的神经网络方法还有Ｈｏｐｆｉｅｌｄ和ＳＰＦＭ网络等，下一步可以用不同的神经网络方法进行预测研究和检验，并加以改进，从而选择更好的神经网络方法用于股票预测。特别是针对个股日收益率的预测模型存在较大改进空间。６３

数据挖掘技术在股市定价分析中的应用研究

参考文献

【１】邹辉文．有效证券市场的理性泡沫与股票内在价值的信息滤波．系统工程理论

与实践，２００６，２６（４）：３２—３４

［２】陈梦根，毛小元．股价信息含量与市场交易活跃程度．金融研究，２００７，３６（３）：

１２５．１２８

［３】曹国华，何燕．中国房地产上市公司股票收益率波动实证研究．重庆大学学报

（社会科学版），２０１１，１７（６）：３９－４１

［４］鲁训法，黎建强．中国股市指数与投资者情绪指数的相互关系．系统工程理论与

实践，２０１２，３２（３）：６２１－６２５

［５］王宜峰，王燕鸣，张颜江等．条件ＣＡＰＭ与横截面定价检验：基于中国股市的经

验分析．管理工程学报，２０１２，２６（４）：１３７－１４５

［６】汪廷华．基于股票时间序列数据的关联规则挖掘研究：［南昌大学硕士学位论

文］．南昌：南昌大学，２００６，１．２５

【７】李体委．Ｆａｍａ．Ｆｒｅｎｃｈ三因子模型的改进和对中国股市收益率的检验：［山东大

学硕士学位论文］．山东：山东大学，２０１１，２．９８

ＡａｓｉｆＳｈａｈ．Ｗａｖｅｌｅｔ—ＢａｓｅｄＢｅｔａＥｓｔｉｍａｔｉｏｎ：ＡｐｐｌｉｃａｔｉｏｎｓｔｏＩｎｄｉａｎＳｔｏｃｋＭａｒｋｅｔ：［ｄｉｓｓｅｒｔａｔｉｏｎ］．Ｉｎｄｉａ：ＰｏｎｄｉｃｈｅｒｒｙＵｎｉｖｅｒｓｉｔｙ，２０１２，３—１３

【９】ＣｈｒｉｓｔｉａｎＭ．Ｈａｆｎｅｒ．Ｃｒｏｓｓ—ｃｏｒｒｅｌａｔｉｎｇｗａｖｅｌｅｔｃｏｅｆｆｉｃｉｅｎｔｓｗｉｔｈａｐｐｌｉｃａｔｉｏｎｓｔｏ

ｈｉｇｈ—ｆｒｅｑｕｅｎｃｙｆｉｎａｎｃｉａｌｔｉｍｅｓｅｒｉｅｓ．Ｊｏｕｒｎａｌｏｆａｐｐｌｉｅｄｓｔａｔｉｓｔｉｃｓ，２０１２，３９（５）：１３６３．１３７９

【１０】赵砚，张洪霞．上市公司股权融资成本的实证分析一一来自沪深Ａ股上市公司

数据．会计之友，２０１１，４（１０）：１０２—１０４

［ＩＩ】Ｊｏｓ６ＬｕｉｓＭｉｒａｌｌｅｓＭａｒｃｅｌｏ，ＭａｒｉａｄｅｌＭａｒＭｉｒａｌｌｅｓＱｕｉｒ６ｓ．Ｔｈｅｒｏｌｅｏｆａｎ

ｉｌｌｉｑｕｉｄｉｔｙｒｉｓｋｆａｃｔｏｒｉｎａｓｓｅｔｐｒｉｃｉｎｇ：ＥｍｐｉｒｉｃａｌｅｖｉｄｅｎｃｅｆｒｏｍｔｈｅＳｐａｎｉｓｈｓｔｏｃｋｍａｒｋｅｔ．ＱｕａｒｔｅｒｌｙＲｅｖｉｅｗｏｆＥｃｏｎｏｍｉｃｓａｎｄＦｉｎａｎｃｅ，２００６，４６：２５４—２６７

【１２］张彦来．数据挖掘在股票投资中的应用：［首都经济贸易大学硕士学位论文］．

北京：首都经济贸易大学，２０１０，３．１６

［１３】ＰａｂｌｏＲｏｇｅｒｓ，Ｊｏｓ６ＲｏｂｅｒｔｏＳｅｃｕｒａｔｏ．ＣｏｍｐａｒａｔｉｖｅＳｔｕｄｙｏｎｔｈｅＢｒａｚｉｌｉａｎ

ＭａｒｋｅｔｏｆｔｈｅＣａｐｉｔａｌＡｓｓｅｔＰｒｉｃｉｎｇＭｏｄｅｌ（ＣＡＰＭ），ＦａｍａａｎｄＦｒｅｎｃｈ３一ｆａｃｔｏｒｓＭｏｄｅｌａｎｄＲｅｗａｒｄＢｅｔａＡｐｐｒｏａｃｈ．ＲＡＣ—Ｅｌｅｔｒ６ｎｉｃａ，２００９，３（１）：２３—３４

ＰｈｉｌｉｐＧｈａｒｇｈｏｒｉ，ＲｏｎａｌｄＬｅｅ，ＭａｄｈｕＶｅｅｒａｒａｇｈａｖａｎｅｔａ１．Ａｎｏｍａｌｉｅｓａｎｄｓｔｏｃｋｒｅｔｕｒｎｓ：Ａｕｓｔｒａｌｉａｎｅｖｉｄｅｎｃｅ．Ａｃｃｏｕｎｔｉｎｇａｎｄｆｉｎａｎｃｅ，２００９，４９（３）：２２—３１【１５］季江雨．中国股市惯性策略的横截面分析：［上海财经大学硕士学位论文］．上

下载地址：基于数据挖掘技术的股市定价模型_图文92.Doc

　　【】