基于PCA-SVM-GARCH模型的股价预测

发布时间：2020-06-07 08:28

【摘要】：股票价格受经济周期、金融政策、国际环境等因素的影响,所以股价的运动方向未知而复杂。投资者在股市交易中还会受到信息不对称、大客户操纵、盲目从众投资心态的干扰,因此探索一种预测股价走势的方法尤为重要。为了精准预测股价的走势,本文提出了PCA-SVM-GARCH模型。该模型在支持向量机模型(SVM)的基础上进行优化和改进,因此具有能够处理多维非线性数据的特点。在构建支持向量机模型时,将模型的预测效果作为衡量标准,可以筛选出支持向量机中最优的核函数。再通过交叉验证法对参数组合进行遍历搜索,继而确定最优的参数组合,从而实现预测股价的涨跌趋势和波动方向。PCA-SVM-GARCH借助主成分分析法(PCA)对输入变量进行降维处理,以消除变量间的多重共线性。通过广义自回归条件异方差模型(GARCH模型),使模型融合了股价的波动情况。因此PCA-SVM-GARCH模型较好的提高了SVM模型的整体性能。本文的研究标的从随机选择的个股(科大讯飞)推广到股指(沪深300),以模型预测的正确率和误差作为衡量标准,判别模型的优劣。实证分析发现PCA-SVM-GARCH模型的预测正确率和准确度均优于SVM模型、SVM-GARCH模型和PCA-SVM模型。本文针对新提出的模型进行了稳定性分析,考虑了研究对象、持仓时间、数据时间周期对模型的影响。仿真实验证明该模型的预测效果稳定,说明该模型具有普遍适用性、市场实用性和稳定可行性。该模型可以为众多投资者和市场监管者带来一定的指导方向和参考价值。
【图文】：

思路图,实证分析

6图 1-1 本文实证分析思路图1.4 本文创新点首先，本文将 PCA 模型、GARCH 模型与 SVM 理论相结合，构建了 PCA-SVM-GARCH 模型。该模型对股价的预测误差和预测正确率都极大程度的优于 SVM 基础模型，充分说明引入 PCA 和 GARCH 后，模型的预测能力得到了优化和提高。其次，本文实证同时使用高频数据和交叉验证法，在充分反映股市信息的同时，也致力于寻找模型的最优解。这都增强了 PCA-SVM-GARCH 模型的学习能力，是实现股价精准预测的良好办法。最后，本文对组合模型进行了股指预测的推广，发现该模型对股指也能实现较好的预测，说明模型具有普遍适用性。通过分析数据周期、持仓天数、个股选择对模型的影响，发现模型的预测正确率较高，说明模型具有良好的稳定性。

模型图,机器学习,模型图,泛函

图 2-1 机器学习模型图机器学习是从函数集 f x, a ,a C中择优选取最接近 G 响应的一个函数，择优选取的标准依赖于训练集。训练集则是以分布函数 F x, y F x F y |x 随机选取的独立同分布数据样本( ),( ),......,( )为前提的。机器学习的最终目的可以简述为:根据 n 个独立同分布的样本数据，在一系列函数 f x ,a 中求解优化函数0f ( x , a)，，并对 G 的响应进行评计算评估，以实现期望风险最小化。R( ) = ( ( )) ( ) (2-1)式(2-1)中的 ( )是不确定的，机器学习的种类不同会导致损失函数的差异。令 z 表示数据对(x,y)，可以表达为 Q(z,a)，由于函数 F(x,y)是未知的，所以一般借助最小经验风险泛函: ( ) = ( ) (2-2)用式(2-2)替代风险泛函 R(a)的最小化，从而使经验风险泛函 ( )最小的函数 Q(z, )接近使期望风险泛函 R(a)最小的函数 Q(z, )，即经验风险最小
【学位授予单位】：首都经济贸易大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP181;F832.51

【参考文献】