基于数据挖掘技术的A股股价涨跌预测模型研究

发布时间：2020-06-18 16:25

【摘要】：随着中国经济的发展与进步,中国证券市场受到越来越多人的关注,股票已经成为广大投资者进行投资的重要途径。影响股票涨跌的因素很多,其收益若能成功预测,可以有效规避股票投资风险以及消除盲目投资的弊端。本文从构建选股因子指标池出发,接着运用随机森林算法和递归特征消除算法从因子指标池中筛选出合适的因子指标构成指标体系;再根据相应公式计算出股票收益,并将其分为两种状态(涨、跌),将选股研究简化为二分类问题;接着使用样本数据对SVM模型以及BP神经网络模型进行调参处理,挑选出最合适的弱分器,最后分别将SVM模型和BP神经网络模型与AdaBoost模型结合,构造出SVM_AdaBoost模型和BP_AdaBoost模型对股票盈亏进行预测,帮助解决股票投资选择问题。本文首先介绍了A股市场的背景知识,概述了国内外已有的部分研究方法,分析了现有的几种股票预测模型;接着介绍了随机森林算法、递归特征消除算法、SVM模型、AdaBoost模型以及BP神经网络的相关知识;随后对因子池中的五个方面的因子进行了相关阐述。实证环节中选取了A股作为实证研究对象,首先验证了随机森林算法和递归特征消除算法在特征挑选上的可行性,接着分别验证了RBFSVM在不同核函数下的预测表现以及BP神经网络的表现情况,实证表明除了sigmoid-SVM算法表现较差之外,其他分类器均具有不错的性能。然而单一的SVM和BP神经网络模型表现不稳定,为改善这种情况,本文引入AdaBoost算法,构造了SVM_AdaBoost模型和BP_AdaBoost模型。混合模型具备了两方面模型的优势:混合模型可以减少SVM选择核参数的复杂度以及BP神经网络学习率和隐藏层节点选择的问题,而SVM核参数的多样性和BP神经网络的结构特性、学习率以及初始权值导致的多种解使得SVM模型和BP神经网络模型能够训练出多种弱分类器;最后通过AdaBoost能够结合多个分类器和关注错分类样本的特性构造出强分类器,用于对股票收益进行预测。实证结果表明,SVM_AdaBoost模型和BP_AdaBoost模型均比原有的SVM模型以及BP神经网络模型在预测精度上有了一定程度的提升,其中SVM_AdaBoost模型表现最优秀。但是上述模型均存在不稳定的现象,所以还需要针对这一问题进行进一步研究,使得SVM_Ada Boost模型和BP_AdaBoost模型在进行股票涨跌预测时获得更好的效果。
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F832.51
【图文】：

技术路线图,算法,模拟预测,选择指标

图 1.1 技术路线图1.3.2 主要创新点第一、应用数据挖掘中的递归特征消除算法和随机森林算法筛选出最相关的因子指标，作为股票投资选择指标体系。第二、基于 SVM 算法和 BP 神经网络算法进行模拟预测，并且用 AdaBoost算法进行改进，构造 SVM-AdaBoost 算法和 Bp-AdaBoost 算法进行模拟预测，择优用于实践。

示意图,支持向量机,示意图,最大化

于 1995 年首先提出的，它是建立在统计学习理论的 VC 理论和结构最小原理的在基础之上，通过对寻找对特定训练样本的学习精度和无错误地识别任意样本的能力之间的最佳折中，以求获得最好的推广能力。支持向量机在解决非线性、小样本及高维模式识别中表现出许多特有的优势，并且在很大程度上解决了维数灾难、过度学习、非线性等问题，在回归估计领域、函数拟合领域、风向预算领域以及模式识别等领域都有很好的建树，是当下最为重要的机器学习理论之一。2.1.1 间隔与支持向量支持向量机根据训练样本的不同包含了由简到繁多个模型。对于训练数据而言，如果线性可分，可以采用硬间隔最大化，即硬间隔支持向量机；如果近似线性可分，可以采用软间隔最大化，即软间隔支持向量机；如果非线性可分，可以使用软间隔最大化与核技巧，即非线性支持向量机。支持向量机的核心思想是：对于给定的训练集 ( ) ( ) ( ) ，其中，在样本空间中找到一个划分超平面，将不同类别的样本区分开。一般情况下，若训练集线性可分，则理论上存在无穷多个划分超平面将训练集正确分割，如图 2.1 所示。

【相似文献】