基于集成学习的上市公司高送转预测模型及投资策略设计

发布时间：2020-05-06 17:45

【摘要】：近年来,我国证券市场的高速发展催生了一批题材股,根据重大事件的不同分类,可以分为资产重组板块、WTO板块以及新能源板块等等。在这些众多题材股中间,高送转这一题材无疑是中小投资者强烈追捧的对象,但同时也产生了一些市场乱象,导致投资者盲目炒作高送转股票。此时,准确预测下一年可能实施“高送转”行为的上市公司,并筛选出相应的标的加入组合,设计出高效稳定的投资策略就具有很大的现实意义。本文尝试对基于集成学习的上市公司高送转预测模型及投资策略设计做一些深入的探讨。结构安排上,第一章主要阐述本文研究的背景、研究的意义、研究内容和方法以及主要贡献等内容;第二章梳理了国内外学者对“高送转”预测模型主要影响因素和投资策略的相关研究成果,以及介绍了相关统计学习方法,包括特征选择、逻辑回归模型和支持向量机SVM算法;第三章从“高送转”现状分析为出发点,主要剖析高送转的界定、当前我国上市公司分红送转流程和历年“高送转”基本情况回顾,为进一步的实证分析铺路,提供现实案例依据;第四章首先从初步选定的四种影响因子指标出发,通过数据预处理,包括数据缺失值和标准化处理,其次运用基于树和递归特征消除的特征选择筛选出影响“高送转”的6个主要因子,最后创新性的运用逻辑回归和支持向量机SVM的集成学习模型,为预测下一年的高送转提供了一种高准确率、低波动率的方案;第五章从上述集成学习模型出发,筛选出各年度预测的股票,并结合最佳持仓时间进行样本外回测分析,研究结果表明能取得较高的超额回报收益率;第六章得出本文的研究结论,并指出研究的不足和未来的研究方向。得出的结论主要为:我国“高送转”事件投资时间段较为固定,一般为“高送转”预案公告日前两个月左右,且该事件具有很强的可预测性;通过对“高送转”行情内在规律的分析,将每年“高送转”预测标的股构建的组合进行样本外测试,得到的组合收益率效果明显优于同期沪深300指数收益率。
【图文】：

行文框架

研究技术路线图
【学位授予单位】：上海师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F832.51;F275

【相似文献】

相关期刊论文 前10条

1 徐继伟;杨云;;集成学习方法:研究综述[J];云南大学学报(自然科学版);2018年06期

2 武玉英;严勇;蒋国瑞;;基于动态选择性集成学习的供应链产销协商优化策略[J];计算机工程;2017年05期

3 张沧生;崔丽娟;杨刚;倪志宏;;集成学习算法的比较研究[J];河北大学学报(自然科学版);2007年05期

4 郭福亮;周钢;;集成学习中预测精度的影响因素分析[J];兵工自动化;2019年01期

5 曾一平;;基于集成学习的小麦识别研究[J];现代商贸工业;2019年17期

6 米硕;孙瑞彬;李欣;明晓;;集成学习在文本分类问题中的应用[J];中国新通信;2018年09期

7 李晔;刘胜利;张兆林;;基于漂移检测和集成学习的木马检测模型[J];信息工程大学学报;2017年06期

8 徐桂云;陈跃;张晓光;刘云楷;;基于选择性集成学习的焊接缺陷识别研究[J];中国矿业大学学报;2011年06期

9 张春霞;张讲社;;选择性集成学习算法综述[J];计算机学报;2011年08期

10 饶峰;;核机器集成学习算法的误差分析[J];重庆文理学院学报(自然科学版);2010年04期

相关会议论文 前10条

1 关鹏洲;王梦毫;李倩;;基于集成学习和深度学习的短期降雨预测模型[A];2017年（第五届）全国大学生统计建模大赛获奖论文选[C];2017年

2 杜方键;杨宏晖;;K均值聚类优化集成学习[A];2011'中国西部声学学术交流会论文集[C];2011年

3 倪志伟;张琛;倪丽萍;;基于萤火虫群优化算法的选择性集成霾天气预报方法[A];中国系统工程学会第十八届学术年会论文集——A12系统科学与系统工程理论在各个领域中的应用研究[C];2014年

4 李烨;蔡云泽;许晓鸣;;基于支持向量机集成的故障诊断[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年

5 吴龙飞;孙浩;计科峰;;基于集成映射的半监督图像分类方法[A];第八届全国信号和智能信息处理与应用学术会议会刊[C];2014年

6 邱诚;倪子伟;陈珂;苏旋;邹权;;基于聚类方法的基分类器选择策略研究[A];第29届中国数据库学术会议论文集（B辑）（NDBC2012）[C];2012年

7 张红梅;;基于粗糙集特征约简的SVM集成入侵检测模型[A];2009中国控制与决策会议论文集（3）[C];2009年

8 程丽丽;张健沛;杨静;马骏;;一种提高支持向量机集成差异性的学习方法[A];第二十五届中国数据库学术会议论文集（一）[C];2008年

9 刘锟;邢延;蔡延光;;一种针对交互式学习系统日志数据的轻型化挖掘方法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

10 刘伍颖;王挺;;一种多过滤器集成学习垃圾邮件过滤方法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

相关重要报纸文章 前1条

1 本报记者 张晔;人脑比电脑更重要[N];科技日报;2008年

相关博士学位论文 前10条

1 李艳秋;基于集成学习的人脸识别研究[D];合肥工业大学;2018年

2 赵鹤;面向高维大数据的子空间集成学习方法研究[D];中国科学院大学(中国科学院深圳先进技术研究院);2017年

3 刘天羽;基于特征选择技术的集成学习方法及其应用研究[D];上海大学;2007年

4 侯勇;特征提取与集成学习算法的研究及应用[D];北京科技大学;2015年

5 孙永宣;集成学习下的图像分析关键问题研究[D];合肥工业大学;2013年

6 尹华;面向高维和不平衡数据分类的集成学习研究[D];武汉大学;2012年

7 阿里木·赛买提(Alim.Samat);基于集成学习的全极化SAR图像分类研究[D];南京大学;2015年

8 刘冲;模拟电路故障诊断AdaBoost集成学习方法研究[D];大连海事大学;2011年

9 钮冰;基于集成学习算法的若干生物信息学问题研究[D];上海大学;2009年

10 程丽丽;支持向量机集成学习算法研究[D];哈尔滨工程大学;2009年

相关硕士学位论文 前10条

1 王瑞峰;基于集成学习的胃镜影像分析方法及移动医疗平台的设计[D];天津理工大学;2019年

2 张宝安;基于深度学习的入侵检测研究与实现[D];北京邮电大学;2019年

3 顾媛媛;基于集成学习算法的搜索广告转化率预测应用研究[D];上海师范大学;2019年

4 胡宸;基于集成学习的上市公司高送转预测模型及投资策略设计[D];上海师范大学;2019年

5 常建芳;基于集成学习和卷积神经网络的太阳能辐照度预测方法[D];天津大学;2018年

6 叶明;基于集成学习的疾病辅助诊断关键技术研究与实现[D];郑州大学;2019年

7 邸研哲;基于相似性方法的药物—疾病相互作用关系预测[D];安徽大学;2019年

8 雍振煌;基于评论极性与集成学习的微博谣言检测研究[D];武汉理工大学;2018年

9 朱俊;选择性集成学习及其应用研究[D];华东交通大学;2016年

10 郑丽容;基于聚类和动态更新的启发式选择性集成学习算法[D];厦门大学;2017年

，

本文编号：2651630