基于支持向量机理论的股指期货量化交易策略研究

发布时间：2017-03-18 02:04

  本文关键词：基于支持向量机理论的股指期货量化交易策略研究，，由笔耕文化传播整理发布。

【摘要】：作为市场经济的重要一部分,股指期货市场和股票市场一起被称为现代经济的“晴雨表”。然而,股指期货的杠杆性也决定了投资者在进行股指期货投资时要面临更大的风险。能否对股指期货价格的未来走势进行准确的预测,是进行股指期货投资的关键所在。传统的一些证券市场分析方法如证券投资分析法、时间序列分析法往往需要基于一系列较为严格的假设,在面对非线性的证券市场时很难取得令人满意的效果。随着计算机及技术和统计学习理论的快速发展,证券市场分析预测方法得到了极大的丰富。机器学习由于对非线性的系统具有良好的逼近能力,因此被广泛应用在证券分析领域。本文研究的目标是基于机器学习领域近年来的研究热点——支持向量机理论来建立股指期货分类预测模型,并在该预测模型的基础之上初步构建针对上证50股指期货的交易策略,以期为投资者在进行股指期货投机时提供一定的参考。由于支持向量机在解决小样本和非线性问题时相较其他分析预测方法更具优势,因此更适合对上市时间不久的上证50股指期货进行分析预测。在对支持向量机中的核函数进行选择时,本文分别构建了基于不同核函数的分类预测模型。通过使用不同输入向量进行静态仿真,发现在对上证50股指期货价格进行预测时,高斯径向核函数的表现要优于其他常见的核函数。为了比较基本行情指标和技术指标在对上证50股指期货收盘价进行预测时表现,本文还利用高斯径向核函数分别构建了基于行情指标和相关技术指标构的动态预测模型,并在动态模型的基础上初步构建了股指期货投机策略。通过使用历史数据对交易策略进行回测,本文发现基于基础行情指标的交易策表现要远好于基于技术指标的交易策略。其中,前者在2015年7月7日至2016年3月1日内总盈利和收益率分别为29.838万元和192%,远超后者的12.972万元和126.57%。此外,在回测的时间段内基于基础行情指标的策略回撤率仅为基于技术指标的交易策略的1/3。
【关键词】：机器学习 支持向量机 核函数基础 行情指标 技术指标
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F724.5
【目录】：

• 致谢5-6
• 摘要6-7
• Abstract7-11
• 1 绪论11-15
• 1.1 研究背景和意义11-12
• 1.2 研究内容和框架12-13
• 1.3 本文创新点13-15
• 2 证券市场预测方法研究综述15-24
• 2.1 证券投资分析法15-17
• 2.1.1 基本面分析法15-16
• 2.1.2 技术分析法16-17
• 2.2 时间序列分析法17-19
• 2.2.1 传统时间序列分析法17
• 2.2.2 现代时间序列预测法17-19
• 2.3 神经网络预测法19-20
• 2.4 支持向量机预测法20-22
• 2.5 本章小结22-24
• 3 支持向量机预测模型相关理论基础24-36
• 3.1 机器学习相关理论24-28
• 3.1.1 机器学习的基本模型24-25
• 3.1.2 统计学习理论25-28
• 3.2 支持向量机相关理论28-34
• 3.2.1 线性可分问题28-32
• 3.2.2 线性不可分问题32-34
• 3.3 本章小结34-36
• 4 分类预测模型的构建36-46
• 4.1 模型输入和输出变量的选取36-37
• 4.2 模型参数寻优37-42
• 4.2.1 遗传算法基本思想38
• 4.2.2 遗传算法的主要流程38-41
• 4.2.3 遗传算法参数选择41-42
• 4.3 模型评价指标42-43
• 4.4 模型总流程43-44
• 4.5 本章小结44-46
• 5 股指期货价格预测及策略建立46-65
• 5.1 实验样本数据预处理46-52
• 5.1.1 样本数据标准化47-48
• 5.1.2 样本数据主成分分析48-52
• 5.2 预测模型静态仿真52-57
• 5.2.1 基础行情静态仿真结果53-55
• 5.2.2 技术指标静态仿真结果55-57
• 5.3 预测模型动态仿真57-58
• 5.4 交易策略模型构建58-63
• 5.4.1 策略思路58-60
• 5.4.2 策略回测60-63
• 5.5 本章小结63-65
• 6 结论与展望65-67
• 6.1 研究结论65-66
• 6.2 研究展望66-67
• 参考文献67-71
• 附录71-76

【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：253760