基于机器学习的基金优选系统设计与实现

发布时间：2022-02-09 04:15

　　随着证券行业的快速发展,股市交易越来越受广大股民、证券公司、基金公司以及证监会的关注。有效的上市公司管理不仅可以激发股民的投资热情,更能保障企业的产业发展,从而实现企业利益最大化。本课题的基金优选系统主要以相关基金数据为依托,最终实现投资分析与决策。它集成了当下先进的机器学习工程设计理念和时下较为成熟的金融体系知识。根据实际需要,项目共分为4个模块:数据处理模块、特征选择模块、机器学习模块、基金优选模块。数据处理模块主要处理由第三方数据提供商收集到的数据;特征选择模块主要针对数据处理后的数据用特征工程理论以及统计学的公式完成特征筛选;机器学习模块主要是对筛选后的特征进行机器学习算法的实现;基金优选模块利用机器学习模块的预测值按照客户要求给出策略。这4个模块中数据处理模块、特征选择模块以及机器学习模块完全由本人分析、设计、实现与测试。而基金优选模块,本人只负责后台分析、设计与实现,前端设计、实现与测试都是由团队中的其他人来完成。系统主要运用的技术为机器学习,其与基金优选相结合,用以模拟投资等诸多相关功能,为基金经理决策提供了新思路。客户和投资者可以就此重新思考自已的决策方式。系统测试阶段... 

【文章来源】：北京交通大学北京市211工程院校教育部直属院校

【文章页数】：91 页

【学位级别】：硕士

【部分图文】：

图２－１对冲基金交易策略??Ｆｉｇｕｒｅ?２－１?Ｈｅｄｇｅ?Ｆｕｎｄ?Ｔｒａｄｉｎｇ?Ｓｔｒａｔｅｇｙ??，

??上图３－２是对数据处理功能的用例图。在图中，本功能只需要一个对外的交互??接口，功能内的子功能有如图的使用关系。本功能需要分析的问题均建立在系统??可以正常访问数据库的前置条件下。??（１）首先需要分析的是数据清洗。关于四种数据相同点这里需要分析的是数??据格式不统一的问题、数据信息缺失问题、去重问题、分析数据和处理异常数据??等４方面问题。以下将针对不同问题作分析：??１）

图３－４特征选择的过程??Ｆｉｇｕｒｅ３－４?Ｔｈｅ?Ｐｒｏｃｅｓｓ?ｏｆ?Ｆｅａｔｕｒｅ?Ｓｅｌｅｃｔｉｏｎ??上图３－４中，特征选择的流程主要有三大块，特征选择，特征提取，模型选择??与评估。在本课题中，人工可以得到的特征数量就有１５１个，己经很惊人了，再??加上机器创造出来的特征共计７２个，整体来看就更加多。但是这些不能直接用在??机器学习的训练里。因为很多特征之间都有相关性，如果简单的放在算法训练中，??会导致特征背后的信息重复利用，这样就会对最终决策产生不利影响。而特征选??择（Ｆｅａｔｕｒｅ?Ｓｅｌｅｃｔｉｏｎ）就是通过如图３－４的一系列步骤剔除掉原始特征集中相关性太??强的特征，减少有效性弱的特征个数，提高模型精确度。??（１）图３－４中的特征选择涉及４个子过程：产生过程是生成特征子集，要求??对原始特征集的２２３个特征只要是通过数据处理的，都要有形成初始特征集。评??价函数是计算子集对预测结果的相关性

【参考文献】：
期刊论文
[1]基于深度学习和股票论坛数据的股市波动率预测精度研究[J]. 陈卫华,徐国祥.  管理世界. 2018(01)
[2]市场调查中的问题分析[J]. 宁萍.  产业与科技论坛. 2018(02)
[3]我国证券公司资产管理业务的历史发展及监管逻辑[J]. 杨光.  上海政法学院学报(法治论丛). 2017(04)
[4]信息质量感知对信息获取与信息采纳的影响研究[J]. 李晶,漆贤军,陈明红.  情报科学. 2015(03)
[5]投资者非持续性过度自信与股市反转效应[J]. 何诚颖,陈锐,蓝海平,徐向阳.  管理世界. 2014(08)
[6]我国境内个人投资者主要投资方式收益风险分析[J]. 李星辉.  时代金融. 2013(24)



本文编号：3616354