基于SVM的沪深300指数量化择时策略实证研究

发布时间：2020-04-09 12:40

【摘要】：伴随着全球信息科学技术的不断进步,越来越多的研究学者开始借助机器学习的方法来研究资本市场.用现有方法对资本市场指标进行分析时存在许多问题,如要求投资者具备一定的投资经验和能力,投资决策受投资者情绪波动影响较大,资本市场扰动因素众多难以具体量化分析等.近年来,量化投资凭借其独立性、时效性和系统性的特点,逐步从机构投资者向越来越多的个人投资者中普及.本文用支持向量机理论(Support Vector Machine,SVM)构建量化择时模型对沪深300指数的相关数据进行分析.对SVM量化择时模型中特征指标和模型参数等内容进行研究,通过实验验证了所建立模型的可行性和有效性.具体地,本文的主要研究内容有:1.为了解决传统投资方法中技术分析和基本面分析的缺点,本文选择沪深300指数为研究对象,提出基于SVM理论的量化择时策略.通过建立模型对行情历史数据进行训练,并将预测结果与实际行情对比.最后引入相关分析指标评判模型的优劣,通过实证检验了模型的可行性.2.为了消除沪深300指数行情数据中的噪声,最大限度保留数据的主要信息,本文选取了13种具有代表性的市场指标作为样本特征指标.通过对特征指标数据进行离散化处理,使原本连续的行情数据转化为具有二值特征的数据,进一步减少行情中的噪声对SVM量化择时策略模型的影响.3.为提升预测精度,本文对SVM核函数中的关键参数惩罚因子C和不敏感系数γ采用网格搜索和交叉验证的方法进行寻优.与其他研究方法只对核函数参数寻优一次相比,本文建立的模型实现了在每次训练和预测前,都对核函数参数进行寻优并更新.通过本文研究和实验结果表明,通过构建SVM量化择时策略模型预测沪深300指数走势,具有较高的可行性和准确率.采取本模型进行辅助投资一定程度上可以获得超额收益,对投资者决策具有一定的参考价值和指导意义.
【图文】：

图 2-1 最优超平面看出，方块点以及圆形点分别表示两种不同H2是和分类线平行的直线同时也是最接近向量，，两条线中间的距离是分类间隔．虽类线有无数条，然而最优分界线仅一个，也空间，线就变成了面，因此从最优分界线变把两种不同的对象区分开来，并且分类间隔的分类间隔太近，会出现噪音等问题，对分量机完全被超平面分割开来的形式可以用线性支和学习目标：x={x1,x2,...,xn},y={y1,y2,...,yn}，述：0TWx b

22图 3-1 SVM 择时流程图 SVM 的量化择时策略更多的只是大方向的策略问没有过多的参照，而这些细节问题通常是能够影响．关于具体的细节问题，本文总结了以下六点：预、特征指标的选取、买卖时点的选择和模型的设置的选择 结合时间序列模型算法进行择时策略时首先需要化择时策略模型的预测会精准到几毫秒的变化行部分模型预测的是更为久远的行情，但绝大部分的一日到几月的时间长度．预测长短会影响到具体后的预测结果．例如，预期较短时间时，具体的股长的变化，这些都会对应不同的头寸；当预测期限
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F832.51;TP181

【相似文献】

相关期刊论文 前10条

1 叶志雄;王丹弘;;基于海量数据的不平衡SVM增量学习的钓鱼网站检测方法[J];电信工程技术与标准化;2016年12期

2 齐兴;;结合主方向和SVM的人脸表情识别[J];廊坊师范学院学报(自然科学版);2016年04期

3 冯东梅;吴健伟;;矿井突水水源的SVM识别方法[J];辽宁工程技术大学学报(自然科学版);2017年01期

4 杨清;文红;陈松林;王玉秀;;基于SVM算法的移动智能终端安全等级分级模型[J];通信技术;2017年04期

5 满宴辰;杨成佳;;图像视觉显著性和改进型SVM在图像分割中的研究[J];通讯世界;2017年08期

6 程凤伟;;一种基于决策树的SVM算法[J];太原学院学报(自然科学版);2017年01期

7 吴翠颖;周涛;陆惠玲;姚中宝;王媛媛;杨鹏飞;;基于集成SVM的肺部肿瘤PET/CT三模态计算机辅助诊断方法[J];生物医学工程研究;2017年03期

8 汤海花;;基于SVM的医药企业财务危机预警研究[J];中国集体经济;2017年29期

9 王芳;吴志泉;史红权;;SVM在空中目标威胁值评估中的应用[J];火力与指挥控制;2017年09期

10 杨海兰;周培祥;;基于SVM的中国家族企业引入外部职业经理人风险预测研究[J];经济体制改革;2017年05期

相关会议论文 前10条

1 李薇;刘琦;马占鸿;;基于SVM法的小麦条锈病潜育期冠层高光谱识别研究[A];植保科技创新与农业精准扶贫——中国植物保护学会2016年学术年会论文集[C];2016年

2 杨镇宇;祝诗平;;基于机器视觉和SVM的花椒外观品质检测[A];2009全国虚拟仪器大会论文集（二）[C];2009年

3 张国栋;朱明华;余圣甫;张建强;李志远;;药芯焊丝飞溅率的SVM模型研究[A];第十五次全国焊接学术会议论文集[C];2010年

4 司爱威;冯辅周;江鹏程;饶国强;王建;;基于可变风险SVM模型的故障识别方法研究[A];第十届全国振动理论及应用学术会议论文集（2011）上册[C];2011年

5 滕卫平;胡波;滕舟;钟元;;SVM回归法在西太平洋热带气旋路径预报中的应用研究[A];S1 灾害天气研究与预报[C];2012年

6 陈志建;宋家骅;程琳;;基于小波SVM的高速公路交通事件检测算法[A];城市交通发展模式转型与创新——中国城市交通规划2011年年会暨第25次学术研讨会论文集[C];2014年

7 朱蕾;朱国栋;石江;;SVM方法在乌鲁木齐机场跑道视程预测中的应用[A];中国气象学会2007年年会天气预报预警和影响评估技术分会场论文集[C];2007年

8 王薇;李晓辉;;CDMA系统中基于SVM的多用户检测算法[A];第十九届电工理论学术年会论文集[C];2007年

9 王红军;徐小力;付瑶;;基于SVM的旋转机械故障诊断知识获取[A];第八届全国设备与维修工程学术会议、第十三届全国设备监测与诊断学术会议论文集[C];2008年

10 李玉峰;郑德权;赵铁军;;基于SVM和多特征融合的图像分类[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

相关博士学位论文 前10条

1 张元侠;基于SVM学习模型的换挡决策研究[D];吉林大学;2019年

2 张婧;基于SVM的肺结节自动识别方法研究[D];华南理工大学;2011年

3 欧阳玲;基于遥感和SVM模型的松嫩平原南部耕地质量评价[D];中国科学院大学(中国科学院东北地理与农业生态研究所);2017年

4 陈沅涛;图像视觉显著性和改进型SVM在图像分割中的研究[D];南京理工大学;2014年

5 张克;基于地震正演模拟和SVM的煤与瓦斯突出危险区预测研究[D];中国矿业大学;2011年

6 宋国明;基于提升小波及SVM优化的模拟电路智能故障诊断方法研究[D];电子科技大学;2010年

7 陈志茹;基于SVM集成学习的miRNA靶基因预测研究[D];燕山大学;2015年

8 陈梅香;基于SVM和GIS的梨小食心虫预测系统的研究[D];北京林业大学;2010年

9 江娜;SVM及其在船舶航向控制系统故障预报中的应用研究[D];哈尔滨工程大学;2008年

10 黄剑锋;基于振动信号SVM的管壳式换热器堵塞故障诊断方法研究[D];华南理工大学;2016年

相关硕士学位论文 前10条

1 朱旭f;基于多传感器特征融合和SVM的跌倒检测系统设计[D];广东工业大学;2019年

2 王霄;基于SVM的沪深300指数量化择时策略实证研究[D];兰州大学;2019年

3 郑留洋;基于车联网数据的货车出行风险画像与影响因素分析[D];北京交通大学;2019年

4 赵云飞;基于SVM的风电工程项目风险评价及防控措施研究[D];华北电力大学(北京);2019年

5 许丽;用SVM回归实验对大气污染数据的处理研究[D];天津财经大学;2018年

6 王洪兵;SVM集成与增量算法在入侵检测中的应用研究[D];武汉理工大学;2018年

7 代瑜;基于SVM与LDA的WEB正文提取[D];武汉工程大学;2018年

8 高晗;基于SVM的图像分类算法[D];吉林大学;2019年

9 邓琼;道路交通标志的检测算法研究[D];安徽工程大学;2018年

10 金j;SVM与神经网络的组合模型在短期电力负荷预测中的应用研究[D];吉林大学;2018年

本文编号：2620768