基于小波变换—机器学习算法的有效投资组合构建

发布时间：2017-03-30 07:17

  本文关键词：基于小波变换—机器学习算法的有效投资组合构建，，由笔耕文化传播整理发布。

【摘要】：股票市场,作为金融市场的重要组成部分,具有进入门槛低,资产流动性高等特点,在我国实行市场经济的今天,受到了越来越多民众的关注,成为他们的主要投资渠道。然而,与国外健全的股票市场相比,我国市场的参与者中,散户占比较大。由于散户可操作资金及操作方式较少,同时非理性行为较大,因此在我国股市的发展中,机构投资者的比重应该越来越大。机构投资者有着从业人员素质高、资金量大、操作方式多等优势,但为了吸引投资者的资金,必须建立一套完善的投资组合建立方法。总体来说,投资组合的优势在于,能够通过分散化投资以降低非系统风险。同时,通过一套完善的选股规则,投资组合内股票收益应总体高于大盘指数,从而获得超额收益。因此,机构投资者设计的投资组合必须满足两个特点：一、稳健性——投资组合价值不能较大盘指数偏离过大,否则风险难以控制；二、收益性——投资组合不能简单地复制大盘指数,还应该获得超额收益,这才能体现投资组合的价值。综上所述,建立一个能够保持稳健而又能获得超额收益的投资组合就显得尤为重要,而要达到这个目标,就必须对股票市场中的历史数据进行分析。在现阶段的学术界,研究者们越来越青睐使用机器学习方法对金融市场历史数据进行处理、分析及预测。这是因为,机器学习方法具有自适应性、泛化性强,不需要数据的前提分布假设等特点,适合于运用在金融数据分析中。一些传统的机器学习模型,如支持向量机、神经网络等,及其相关的改进模型,被广泛运用在了金融时间序列分析中。然而,这些模型的不足之处在于,虽然其预测准确率较高,但因为一次只能对一个序列做分析预测,因此模型效率并不高。另一方面,因为金融数据的噪声含量较大,如果直接使用,并不能得到理想效果。虽然已有学者使用小波分析的方法对金融序列进行分解与去噪,但他们在运用小波时,大多借鉴了来自其运用于工程方面的经验,而忽略了金融序列的特点和预测去噪需求。因此,本文要解决的主要问题是,为组成一个具有稳健性、收益性的投资组合,必须建立一种在保证预测精度的前提下,预测效率更高的机器学习模型,以对大量的股票历史数据进行分析与预测。在此基础上,针对股票序列的特点：包含大量噪声,但本身具有一定的波动性。因此,本文希望找到一个更加适用于金融序列的小波去噪方法,以在尽可能去除原始序列噪声的情况下,保留自身含有信息的波动。为了解决上面提出的问题,本文尝试使用本来大量应用于推荐系统的矩阵分解方法来对整个价格/收益率-时间矩阵做特征提取及预测,将分析对象从向量转化为矩阵,应该能提升模型的效率。同时,在模型输入数据的处理方面,本文尝试利用更加温和的小波去噪方法对原始数据进行处理与去噪。在具体的实证分析中,本文先利用了矩阵分解的方法对原始股票序列对数收益率做出预测,并根据每一持股周期的预测收益率大小排序,进而选出股票构建投资组合,并尝试寻找投资组合最优参数。其次,因为在上一过程中投资组合的价值与收益率可能无法优于指数,因此利用小波分析的方法,对原始股票序列进行了去噪处理。最后,利用去噪序列产生的对数收益率进行预测并建立投资组合,投资组合的效果有了明显的提升,说明矩阵分解预测方法是有效的方法,同时小波消噪技术能够提高预测精度。通过实证分析,本文确定了全局阈值小波去噪方法为最优去噪方法,持股周期T=20与股票数量N=20为投资组合最优参数。同时,本文的预测、去噪模型及投资组合有着以下特点：一、模型总体状况良好,投资组合价值比较稳定,组合收益在大多数时间中优于大盘指数,而发生亏损时也不会发生较大偏移。二、因为预测模型的优点在于抓住序列的趋势,因此当大盘指数发生大涨、大跌时,投资组合效果更好,组合价值通常高于指数价值。三、全局阈值小波去噪方法比较温和,在大盘指数波动性较大时能良好滤去噪声并保留有效波动；而当指数较平稳时,小波去噪可能对原始序列滤去了更多的有效波动,因此对提升投资组合价值的作用并不大。四、投资组合策略对趋势变换、反转的反应与追踪较慢。这可能会使投资组合错失指数由跌转涨时的部分收益,但也可能规避泡沫破灭下降时的部分风险。本文的创新点在于,首先,利用了多维预测的矩阵分解技术对众多股票的收益率-时间矩阵进行处理,预测出各股票在下一持股周期的收益率,有效地提升了机器学习在股票市场预测方面的效率。其次,本文不对股票池中股票进行选取,而仅仅将全部A股股票去除脏数据后的股票都放入股票池中,以体现模型的高效性。最后,本文不同于其它文献中对原始序列进行小波分解后将高频、低频序列同时预测的做法,而是考虑合理降低小波系数以达到去噪平滑的效果。
【关键词】：投资组合建立 大盘指数追踪 高效预测模型 矩阵分解模型 小波分解去噪
【学位授予单位】：西南财经大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F224;F832.51
【目录】：

• 摘要4-7
• Abstract7-13
• 1 绪论13-25
• 1.1 研究背景与意义13-15
• 1.2 文献综述15-21
• 1.2.1 投资组合相关研究15-17
• 1.2.2 机器学习在金融预测中的相关研究17-19
• 1.2.3 小波分析方法在金融预测中的相关研究19-21
• 1.3 主要研究工作及创新点21-22
• 1.4 本文内容安排22-25
• 1.4.1 本文主要研究内容22
• 1.4.2 各章节内容安排22-25
• 2 模型理论探讨25-34
• 2.1 推荐系统中的矩阵分解模型25-29
• 2.1.1 原始的矩阵分解模型25-27
• 2.1.2 改进的矩阵分解模型27-28
• 2.1.3 将矩阵分解模型推广于金融时间序列预测28-29
• 2.2 小波分析29-34
• 2.2.1 小波变换定义30-31
• 2.2.2 小波去噪31-34
• 3 基于原始股票价格的投资组合建立34-49
• 3.1 数据说明34
• 3.2 投资组合建立方法34-39
• 3.2.1 主要参数说明34-36
• 3.2.2 预测模型与投资组合建立思路36-37
• 3.2.3 投资组合验证方法与验证时间段选取37-39
• 3.3 基于原始股票价格序列的投资组合建立39-49
• 3.3.1 对于时间段Ⅰ中投资组合建立的尝试39-42
• 3.3.2 对于时间段Ⅱ中投资组合建立的尝试42-45
• 3.3.3 对于时间段Ⅲ中投资组合建立的尝试45-47
• 3.3.4 模型探索小结47-49
• 4 股票价格序列小波去噪探究49-60
• 4.1 小波去噪理论在实证中的运用49-50
• 4.1.1 股票价格序列小波去噪的必要性49-50
• 4.1.2 一维时间序列小波去噪的步骤与性质50
• 4.2 小波分析用于股票价格序列去噪的效果评价方法50-52
• 4.3 小波分析用于股票价格序列去噪的运用探索52-58
• 4.3.1 抑制细节系数去噪法介绍与运用52-54
• 4.3.2 阈值去噪法介绍54-55
• 4.3.3 阈值去噪法运用55-58
• 4.4 股票价格序列小波去噪方法总结58-60
• 5 基于小波去噪序列的投资组合建立60-74
• 5.1 验证期内基于小波去噪股票价格的投资组合建立61-69
• 5.1.1 时间段Ⅰ中投资组合的建立61-63
• 5.1.2 时间段Ⅱ中投资组合的建立63-66
• 5.1.3 时间段Ⅲ中投资组合的建立66-68
• 5.1.4 验证期内基于小波去噪股票价格序列投资组合建立小结68-69
• 5.2 全时间段内最优参数投资组合建立69-74
• 5.2.1 全时间段内最优参数投资组合建立初探69-71
• 5.2.2 全时间段内最优投资组合的评价71-72
• 5.2.3 全时间段内最优投资组合建立小结72-74
• 6 总结与展望74-77
• 6.1 文章总结74-75
• 6.1.1 文章工作内容总结74-75
• 6.1.2 文章实证研究结果总结75
• 6.2 模型改进方向75-77
• 参考文献77-81
• 附录81-97
• 致谢97

【相似文献】

中国期刊全文数据库 前10条

1 翁晟;;指基悄然涨价[J];大众理财顾问;2010年04期

2 高子剑;胡卓文;;多方虚心 不是信心[J];股市动态分析;2010年44期

3 卧龙;;超级大盘指数未来的命运[J];股市动态分析;2013年27期

4 邓亮;;2900点“牛尾巴”值得一啃[J];股市动态分析;2010年06期

5 刘建林;杨扬;;波浪数决定胜负[J];新经济;2011年05期

6 李沧;;你的“心态”练成了吗?[J];科学生活;2008年05期

7 赵迪;;超大盘指数:搭乘指数基金顺风车的投资组合[J];股市动态分析;2009年31期

8 叶弘;;“龟市”守望[J];金融博览(财富);2011年05期

9 苟莹;孙英隽;;我国分级基金价格、净值和大盘指数的实证分析[J];中国集体经济;2013年15期

10 胡飞雪;;不必问大盘指数会涨到什么点位[J];股市动态分析;2013年42期

中国重要报纸全文数据库 前10条

1 记者 周科竞;上交所推出超大盘指数[N];北京商报;2009年

2 周松林;上证超级大盘指数23日发布[N];中国证券报;2009年

3 李晶;蓝筹股标杆：上证超级大盘指数23日发布[N];第一财经日报;2009年

4 记者 张东风;中药材行业大盘指数首次发布[N];中国中医药报;2010年

5 阿琪;大盘指数“俯卧撑” 主题投资“折返跑”[N];上海证券报;2013年

6 吴蔚;软件生产力欲制定“大盘指数”[N];中国计算机报;2007年

7 高端私人医生服务机构颐年康盛创始人 宋海峰;托住世界杯健康指数[N];中国经营报;2010年

8 证券时报记者 方丽;保险大举买入大盘指数基金[N];证券时报;2010年

9 记者 潘圣韬;3月A股刮起“价值”风 大盘指数大幅领跑[N];上海证券报;2011年

10 本报记者 屈红燕;化工行业明年上半年将超越大盘指数[N];上海证券报;2007年

中国硕士学位论文全文数据库 前2条

1 刘俊锋;基于小波变换—机器学习算法的有效投资组合构建[D];西南财经大学;2016年

2 韩非;我国ETF绩效评价实证分析[D];西南财经大学;2012年

  本文关键词：基于小波变换—机器学习算法的有效投资组合构建，由笔耕文化传播整理发布。

本文编号：276535