基于量价关系的DTW-KNN股票趋势预测以及选股策略实证研究

发布时间：2021-06-10 23:02

　　随着人工智能技术的发展,量化投资已成为欧美资本市场发展的热点与焦点,越来越多的公司将数据挖掘技术和机器学习算法应用于金融量化投资领域。利用机器学习方法进行股票价格和走势预测,以及利用股票未来趋势进行量化选股的研究是非常具有实际意义的,并具有良好的发展前景。本文主要基于机器学习中的K-近邻算法（KNN）来进行股票价格和股票指数的趋势预测,在分类算法的子进程——时间序列的相似性度量中应用动态时间弯曲（DTW）,构建了DTW-KNN模型,并充分分析了量价关系,将换手率作为成交量的度量,构建了基于量价关系的改进模型。同时本文应用支持向量机模型作为本文构建模型的对比模型。本文将三种模型应用于中美股票市场,分别对上证50指数和标准普尔500指数进行了趋势预测。实证结果得到支持向量机模型和本文构建的DTW-KNN模型和基于量价关系的改进模型对股票指数趋势预测的准确率均能达到55%%以上,表明三种模型均是有效的,并且改进模型的预测性能明显优于DTW-KNN模型和支持向量机模型。本文基于DTW-KNN模型和改进模型在股票趋势预测的基础上结合我国股票市场的实际情况构建了量化选股策略。策略回测结果表明,基于... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

图２．１：欧氏距离和ＤＴＷ匹配方式比较??

?ｔｎ．?（２．３）??＊５和ｒ被排列构造成一个ｎｘｍ的矩阵（见图２．２）。矩阵中的每个点（ｉ，ｊ）都对准一??个时间序列和模式点元素＾和＾，其值为＆和￣的距离测度，通常刻画两个数的??距离有绝对距离和欧氏距离，不失一般性，本文采用的是如下的绝对距离：??ｄ（ｉ，ｊ）?＝?＼ｓｉ－ｔｊ＼．?（２．４）??构造矩阵后，找到一个弯曲路径，以达到使序列＾和模式ｒ的累积距离最小??的目的。弯曲路径＝叫，．扣２，…，购＜＂（ｍａｘ（ｍ，ｎ）?ｇ?Ｋ?￡?ｍ?＋?ｎ?－?１）是一个网??格点序列，定义一个映射函数４?：?４?Ｗ，这样就将＆?ｒ之间的对应关系??转变为一条弯曲路径

距离与前一点的弯曲路径最小累积距离的和。??下面给出一个具体的实例来说明最小弯曲距离的计算过程，使用的数据??（此处的数据无实际意义，其波动模式和图２．１中给出的波动模式相同）如下：??Ｔ＝?［８，１０，１２，１０，８，１２］，?（２．１１）??５＝?［９，１１，９，７，９，１１］．?（２．１２）??以ｒ作为模板，＾作为与之比较的模式序列，计算结果如图２．３所示，左侧??为模式ｒ的图，右侧下方为序列ｓ的图，右侧上方为最短的弯曲路径。??Ｄｙｎａｍｉｃ?Ｔｉｍｅ?Ｗａｒｐｉｎｇ?（７．００）??８．０?Ｓ．５?Ｍ?９．５?１０．０?１０．５?１１．０?Ｕ．５?１２．０?０?１?２?３?４?５?６??ｙ?１１．０??ｊｒ?：￣－￣；?５?ｔ，??１０．５?－?，／?＼?／－??１０．０?－?／?＼?／?－??－／?＼?／?－??ａｓ?－?＼?／?－??ａｏ?－?＼?／?－??７－５?－｜?—?Ｓ｜?＼?／?－??７〇０￣￣！￣￣２￣￣３￣￣４￣￣Ｓ??Ｘ??图２．３：最短弯曲路径及距离??右侧上方的矩阵中的数据如表２．１所示，表中最左边一列为模式ｒ，最下边??一行为时间序列Ｓ■


本文编号：3223278