基于机器学习的期货市场趋势研究

发布时间：2020-10-30 14:08

　　 随着金融市场与量化交易的不断发展,高频交易已经成为量化交易发展的核心。越来越多的投资者加大了对高频交易研发的投入,并逐渐转向依靠高频交易获取稳定的盈利模式。高频交易的核心是对高频交易数据进行分析。机器学习技术是现代统计学习理论中最重要的发展技术之一,通过对样本数据的建模分析,从而刻画出样本数据背后蕴含的模式。在量化投资与高频交易领域,机器学习也有着非常广泛的应用。本文主要研究机器学习算法在期货市场高频交易领域价格趋势的研究。本文首先研究了机器学习算法中应用较为广泛的随机森林和支持向量机模型。针对金融市场中对数据时效性要求的特征,考虑近端数据的信息量高于远端数据,构建了加权支持向量机模型,通过对样本数据进行时间加权,提升模型拟合准确性和时效性。针对价格趋势研究,需要将其转化为分类问题,定义价格趋势分为上涨、下跌和稳定三类,并将其量化进行分类。然后构建了高频交易数据指标体系结构作为样本数据的特征集。由于境内黄金期货主力合约日内交易量较大,市场流动性高,所以采用黄金期货数据实证分析。文章首先研究了黄金期货日内数据的分布,利用随机森林模型进行指标特征重要性排序和参数训练,研究发现指标特征存在较强的规律型和分层结构。通过重抽样方法对支持向量机模型进行参数寻优。最后对本文构建的加权支持向量机模型进行训练。研究发现高频交易价格趋势与市场报单量具有极高的相关性,与市场价格等相关指标几乎没有相关性。通过对三类模型训练结果的对比,证明加权支持向量机在一定程度上提升了模型拟合准确率,也相应降低了模型的训练时间。加权支持向量机模型综合了随机森林无需进行样本重抽样以及训练时间短的优势和支持向量机预测准确率高的优势,在实际应用领域具有更高的应用价值。
【学位单位】：上海交通大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：F830.9
【部分图文】：

上海交通大学硕士学位论文单位对每个数据点进行分类的赋值，定义 mid P大于-0.07 时为跌，在-0.07 和 0.07 之间的为稳定。针对期趋势，即 midP在 个 tick 之后的价格与当前的价格从而对价格发展进行分类。即在 个 tick 之后，若；若 比当前高 0.07，则分为涨；若 midP变化处 月14日上午9:00 至 2017 年8月15日凌晨2:30 的交tick, 30tick， 60tick, 120tick下，价格发展的趋势分类
【参考文献】

相关期刊论文 前8条

1 陈艳;王宣承;;基于变量选择和遗传网络规划的期货高频交易策略研究[J];中国管理科学;2015年10期

2 燕汝贞;李平;曾勇;;一种面向高频交易的算法交易策略[J];管理科学学报;2014年03期

3 赛英;张凤廷;张涛;;基于支持向量机的中国股指期货回归预测研究[J];中国管理科学;2013年03期

4 廖旦;陆蓉;;高频交易对市场影响研究新进展[J];经济学动态;2013年04期

5 董师师;黄哲学;;随机森林理论浅析[J];集成技术;2013年01期

6 姚登举;杨静;詹晓娟;;基于随机森林的特征选择算法[J];吉林大学学报(工学版);2014年01期

7 郭朋;;国外高频交易的发展现状及启示[J];证券市场导报;2012年07期

8 马景义;吴喜之;谢邦昌;;拟自适应分类随机森林算法[J];数理统计与管理;2010年05期

本文编号：2862582