基于随机森林和QGA-SVR的量化选股研究

发布时间：2017-06-08 16:19

  本文关键词：基于随机森林和QGA-SVR的量化选股研究，，由笔耕文化传播整理发布。

【摘要】：目前中国股票市场上有两千多只股票,每天产生海量的金融数据,股票投资者渴望得到有效的投资信息,从中筛选出有获利潜力的股票来构建有效的投资组合。为了解决如何从大量的股票中筛选出有获利潜力的股票这个问题,量化选股已经成为投资决策研究领域的热点问题。由于股票市场是一个高维、非线性、多噪音的复杂系统,传统的线性模型已经不能很好地解决这类问题。本文针对这些问题在量化选股领域,构建相应的以价值投资为导向的财务指标体系和引入先进的数据挖掘方法,进行如下研究工作:以股票选取作为研究对象,基于价值投资的视角。首先,根据对早期文献的研究,分别选取上市公司6大类16项财务指标作为输入特征变量,分别为每股价格合理性、盈利能力、财务杠杆水平、资产流动性、资金使用效率以及公司的成长能力。其次,由于这些财务特征变量中存在着冗余的信息,为了让投资者能真切地看到每个财务指标对股票收益的影响,本文选取组合算法中的随机森林算法(RF),对财务指标进行评价,筛选出重要的财务指标。第三,结合股票市场的高维复杂性,由于支持向量回归机(SVR)在处理高维非线性的优越性能,并作为基本的方法框架,并利用全局搜索算法中优越的量子遗传算法(QGA)对支持向量回归机进行动态的参数寻优,分别对支持向量回归机的惩罚因子c、核参数g以及松弛变量p进行深度优化,为了验证研究量子遗传算法(QGA)对参数的优化程度,与遗传算法进行比较,保证支持向量回归机(SVR)的精确效果。第四,将支持向量回归机(SVR)与随机森林(RF)和量子遗传算法(QGA)结合起来,构建综合选股模型流程RF-QGA-SVR。第五,本文以A股市场市值最大的前200只股票2003到2014年的数据作为实证对象,利用建立的RF-QGA-SVR模型对股票收益进行预测,根据预测的结果进行排序,构建投资组合,分别筛选出前10、20和30只股票组合,与市场基准的组合收益进行比较,从而得出构建的综合模型RF-QGA-SVR的有效性,在股票选择的过程中,对上市企业的财务指标进行总结归纳,对财务指标重要性进行度量,并期待得到的财务指标考量顺序和RF-QGA-SVR综合选股模型在实际的投资环境中能够为价值投资者提供科学选股的思路。
【关键词】：随机森林 财务特征选择 量子遗传算法 支持向量回归机 量化选股
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F832.51
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-19
• 1.1 研究背景和意义10-11
• 1.1.1 研究背景10-11
• 1.1.2 研究意义11
• 1.2 国内外研究现状11-15
• 1.3 研究目标与研究内容15-16
• 1.3.1 研究目标15
• 1.3.2 研究内容15-16
• 1.4 研究方法和技术路线16-18
• 1.5 本文创新点18-19
• 第二章 选股财务指标体系构建19-27
• 2.1 财务信息作用于股票市场机理19-20
• 2.2 财务指标体系构建20-26
• 2.3 本章小结26-27
• 第三章 RF-QGA-SVR选股模型构建27-41
• 3.1 支持向量回归机（SVR）选股研究27-31
• 3.1.1 支持向量回归机（SVR）27-29
• 3.1.2 SVR预测股票收益进行排序组合29-31
• 3.2 随机森林优化输入特征31-34
• 3.3 QGA优化SVR参数研究34-39
• 3.4 RF-QGA-SVR综合模型构建39-40
• 3.5 本章小结40-41
• 第四章 量化选股及相关实证分析41-61
• 4.1 数据的选取及预处理41-42
• 4.2 随机森林筛选财务指标效能分析42-44
• 4.2.1 随机森林（RF）模型设定42-43
• 4.2.2 随机森林（RF）实证分析43-44
• 4.3 QGA对SVR动态寻参效能分析44-49
• 4.3.1 GA和QGA模型设定45
• 4.3.2 GA与QGA优化SVR对比实证45-49
• 4.4 RF-QGA-SVR选股模型实证分析49-56
• 4.4.1 带经验参数带全特征的SVR逐年回归49-50
• 4.4.2 RF特征优化带经验参数SVR逐年回归50-51
• 4.4.3 QGA优化SVR无特征优化的逐年回归51-52
• 4.4.4 RF-QGA-SVR模型进行选股52-53
• 4.4.5 股票组合检验53-56
• 4.5 财务指标对股票收益率的作用分析56-59
• 4.6 本章小结59-61
• 结论与展望61-64
• 参考文献64-68
• 附录68-84
• 攻读硕士学位期间取得的研究成果84-85
• 致谢85-86
• 附件86

  本文关键词：基于随机森林和QGA-SVR的量化选股研究，由笔耕文化传播整理发布。

本文编号：433092