基于支持向量机的创业板指数预测研究与应用

发布时间：2017-09-15 20:36

  本文关键词：基于支持向量机的创业板指数预测研究与应用

  更多相关文章： 支持向量机 创业板指数 动态神经网络 股指预测 ETF

【摘要】：创业板市场既是一个门槛比较低、风险相对大、监管很严格的股票市场,它也是一个能孵化科技型和高成长型企业的摇篮型资本市场。创业板设立的目的就是服务于自主创新的国家战略,这些创业板上市的小企业充满活力,代表着我国经济转型的大方向,创业板的上市企业都具有创业、创新、成长的特征,其容纳的新兴产业多元性以及创业板本身与转型升级战略的高度契合是其他板块所不具备的。因此,对于学者而言,对创业板指数的研究可以了解资本市场对创新创业企业的认可程度,也可以了解新兴产业的发展状况;对于投资者而言,对创业板指的研究可以为创业板的投资布局提供指导参考。虽然运用人工智能的方法对于指数的预测已经得到广泛研究,但是其对创业板指数的预测尚未有学者研究,特别是基于支持向量机的创业板指预测研究。随着我国创业板股票市场的不断发展壮大,运用支持向量机模型对创业板指数的预测、分析和实际应用对于投资非常重要。本文采用单步预测法,即前日数据预测当日收盘指数,运用主成分分析法、粒子群优化算法构建PCA-PSO-LIBSVM支持向量机模型,即首先将数据归一化之后,采用主成分分析法对多维数据进行降维处理,然后应用粒子群优化算法对参数进行优化处理,然后支持向量机给出回归的预测结果。本文把整个数据区间划分为三个市场:下跌市场、震荡市场和上升市场。针对每个区间市场分别运用PCA-PSO-LIBSVM模型和人工动态神经网络模型进行预测并分析。并以此进行交易策略开发研究。通过预测分析发现,PCA-PSO-LIBSVM支持向量机获得了较理想的预测结果,在上述的划分的三个市场行情中,其预测结果全都优于动态神经网络的预测。然后,基于以上结论本文运用PCA-PSO-LIBSVM预测模型的结论构建了“创业板ETF配合融资融券的T+0交易策略”和“创业板指股指期货T+0交易策略”,经过实盘模拟交易策略应用,证实这两个交易策略都取得了良好的收益,体现了预测研究结果的实用性。
【关键词】：支持向量机 创业板指数 动态神经网络 股指预测 ETF
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：F832.51;F224
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-22
• 1.1 研究背景和意义9-12
• 1.1.1 研究背景9-10
• 1.1.2 研究意义10-12
• 1.2 文献回顾12-19
• 1.2.1 国外文献综述12-14
• 1.2.2 国内文献综述14-18
• 1.2.3 国内外文献综述的简析18-19
• 1.2.4 研究问题的提出19
• 1.3 研究内容和方法19-22
• 1.3.1 主要内容19-21
• 1.3.2 研究方法21-22
• 第2章 相关理论基础22-34
• 2.1 支持向量机（SVM）相关理论22-29
• 2.1.1 统计学习理论22-23
• 2.1.2 支持向量机（SVM）的核函数23-25
• 2.1.3 支持向量机的分类（ SVC）算法25-27
• 2.1.4 支持向量机的回归（ SVR）算法27-29
• 2.2 主成分分析法29-30
• 2.2.1 主成分分析的基本思想29
• 2.2.2 主成分分析的数学模型29-30
• 2.3 人工神经网络原理30-33
• 2.3.1 人工神经网络概述30-31
• 2.3.2 ANNs的学习过程31-32
• 2.3.3 人工神经网络的基本特征及模型分类32-33
• 2.4 本章小结33-34
• 第3章 创业板指数预测研究设计34-51
• 3.1 模型构建35-36
• 3.2 样本选取36
• 3.3 创业板指数下跌市场行情预测分析36-41
• 3.3.1 PCA-PSO-LIBSVM支持向量机预测结果分析36-38
• 3.3.2 动态神经网络的预测结果分析38-41
• 3.4 创业板指数震荡市场行情预测分析41-45
• 3.4.1 PCA-PSO-LIBSVM支持向量机预测结果分析41-43
• 3.4.2 动态神经网络预测结果分析43-45
• 3.5 创业板指数上升市场行情预测分析45-50
• 3.5.1 PCA-PSO-LIBSVM支持向量机预测结果分析45-47
• 3.5.2 动态神经网络预测结果分析47-50
• 3.6 本章小结50-51
• 第4章 实盘模拟策略应用研究51-60
• 4.1 创业板指数预测51-54
• 4.1.1 PCA-PSO-LIBSVM支持向量机预测结果分析51-53
• 4.1.2 动态神经网络预测结果分析53-54
• 4.2 投资策略分析54-59
• 4.2.1 策略的前提假设54-56
• 4.2.2 融资融券交易策略56
• 4.2.3 股指期货交易策略56-58
• 4.2.4 市场单纯策略的收益分析58-59
• 4.3 本章小结59-60
• 结论60-61
• 参考文献61-68
• 致谢68

【相似文献】

中国期刊全文数据库 前10条

1 贾凝;;支持向量机模型在统计学上的应用研究[J];统计与决策;2010年13期

2 吕向阳;高尚;;基于支持向量机的品牌特色专业评价[J];价值工程;2011年24期

3 黄胜忠;;遗传支持向量机在股市趋向的预测[J];计算机与数字工程;2012年01期

4 胡奎;朱成文;;基于支持向量机的雷达信号分类[J];统计与决策;2008年23期

5 许建萍;;基于支持向量机的工程索赔合理工效研究[J];科技创新导报;2009年07期

6 张明;刘念祖;;电子商务信用管理的支持向量机应用[J];中国管理信息化(综合版);2007年09期

7 高尚;梅亮;;基于支持向量机的电价组合预测模型[J];电力自动化设备;2008年11期

8 王毅;;支持向量机技术及其应用研究[J];中国高新技术企业;2008年15期

9 吕月英;;基于支持向量机工程施工风险预警研究[J];科技创新导报;2009年07期

10 芮丽梅;;改进支持向量机的商业银行评级算法[J];企业导报;2011年03期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：858774