基于双聚类的多周期投资交易规则挖掘

发布时间：2017-04-09 18:18

  本文关键词：基于双聚类的多周期投资交易规则挖掘，由笔耕文化传播整理发布。

【摘要】：股票分析和预测对上市公司和投资者都具有重大的现实意义。技术分析利用基于对股票交易历史数据计算的规则来预测股票价格的未来变动趋势。一个技术指标也就是规定了一个技术交易规则,早期针对技术指标分析的研究通常只关注一个或几个交易规则中的若干参数来帮助决策,近期的理论与研究表明,采用技术规则的组合投资往往能获得比单独地采用每一个交易规则获得更高的超额收益。投资组合选择是现代金融决策理论的基石,目前对分散风险理论的研究大多集中在多种资产的投资组合上,有关投资组合问题的研究成果均是停留在单周期投资,并没有根据市场变化调整投资周期。尽管对单期投资组合以及多期投资组合问题的研究已经取得了一定的成效,然而有关多周期(长、中、短周期)投资组合优化问题的研究刚刚起步,尚处于探索阶段。鉴于以上事实,本研究将技术规则全集扩大到多种不同时间参数下的技术指标交易规则,加入各种规则组合的复杂交易策略,以技术分析和数据挖掘相关技术为基础构建基于双聚类技术的交易规则挖掘模型。并从另一角度剖析风险分散理论,研究多周期投资组合问题,量化多周期投资组合过程中各个周期投资的资金配置比例。本文对基于双聚类的多周期投资交易规则挖掘问题进行研究,具体研究工作如下:(1)对股票分析研究内容和股票分析技术进行了系统详细的概述。(2)以技术分析和数据挖掘技术为基础构建基于双聚类技术的交易规则挖掘算法和模型。(3)运用嵌套的粒子群算法优化模型参数和多周期投资组合的资金配置。(4)通过比较本文算法(BIC-NPSO)和其他四个算法以及传统的买卖持有策略(Buy-and-Hold,BAH)运用于相同资产对象的时候所获得的期望收益率均值,本文算法的有效性和优越性被不同真实股票数据所证实。本文主要创新点在于:(1)首次将双聚类算法应用到金融交易系统设计中,通过设计高效的列一致双聚类挖掘算法找到金融价格变动过程中技术指标联动的局部一致性模式,获得交易信号,利用KNN分类算法对交易信号进行分类,进而得到性能改善的智能交易系统,并通过实证研究得到了算法和模型有效性的有力证据。(2)探讨并研究了多周期投资组合的问题。传统的大多数投资组合优化模型都是研究对投资组合选择进行优化的问题。一般都是基于单期投资或连续多期投资,并没有考虑随市场变化调整投资策略的问题,而有关多周期(长、中、短周期)投资组合优化问题的研究刚刚起步,尚处于探索阶段。本文从另一角度剖析风险分散理论,研究多周期投资组合问题,量化多周期投资组合过程中各个周期投资的资金配置比例,以根据股价的变动调整投资时机,达到避免高风险同时获取高收益的目的。(3)提出一个两层嵌套的粒子群优化算法。本文研究运用两层嵌套的粒子群优化算法,基于收益率最大化目标函数,同时优化模型中参数和多周期投资组合的资金配置,即外层粒子群算法优化改进双聚类算法中的两个阈值参数,内层粒子群算法优化多周期(长、中、短周期)投资组合的资金配置比例。(4)本文构建的模型是一个扩展性良好的框架。本文构建的模型具有很好的拓展性,易扩展至更多种类的技术指标、不同的指标参数以及不同周期投资长度,这使得本文的模型对于广大投资者来说非常具有灵活性和通用性。
【关键词】：双聚类 粒子群算法 多周期投资组合 交易规则 技术分析
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F830.91;TP311.13
【目录】：

• 摘要5-7
• Abatract7-12
• 第一章 绪论12-20
• 1.1 研究背景和意义12-13
• 1.2 国内外研究现状13-17
• 1.2.1 股票分析方法研究现状13-16
• 1.2.2 多周期投资组合研究现状16-17
• 1.3 本文的工作概要和内容安排17-20
• 1.3.1 主要工作及本文创新之处17-18
• 1.3.2 本文主要创新点18-19
• 1.3.3 本文章节安排19-20
• 第二章 股票研究内容与股票分析技术20-31
• 2.1 股票分析研究内容20-23
• 2.1.1 股票及股市概述20
• 2.1.2 股票指数20-21
• 2.1.3 股票预测变量及相关术语21-22
• 2.1.4 股票投资三要素22-23
• 2.2 股票分析研究方法23-30
• 2.2.1 引言23-24
• 2.2.2 传统股票分析方法24-29
• 2.2.3 基于数据挖掘技术的股票分析方法29-30
• 2.3 本章小结30-31
• 第三章 基于双聚类的交易规则挖掘31-56
• 3.1 聚类分析32-36
• 3.1.1 聚类分析的定义32-33
• 3.1.2 聚类分析中的数据类型33-34
• 3.1.4 凝聚层次聚类34-36
• 3.2 双聚类概述36-41
• 3.2.1 双聚类算法产生背景36-37
• 3.2.2 双聚类算法研究现状37-38
• 3.2.3 双聚类定义38-39
• 3.2.4 双聚类类型39-40
• 3.2.5 Cheng-Church双聚类算法40-41
• 3.3 基于双聚类的交易规则挖掘41-55
• 3.3.1 技术指标矩阵构建41-49
• 3.3.2 基于双聚类的交易模式挖掘49-51
• 3.3.3 基于支持度方法的交易模式分类51-52
• 3.3.4 基于K近邻的交易行为确定52-55
• 3.4 本章小结55-56
• 第四章 基于嵌套粒子群优化的多周期投资交易规则56-67
• 4.1 最优化问题概述57
• 4.2 最优化问题的数学描述57
• 4.3 粒子群优化算法57-62
• 4.3.1 粒子群优化算法原理58-60
• 4.3.3 粒子群优化算法流程60-61
• 4.3.4 粒子群优化算法参数分析61-62
• 4.4 基于嵌套粒子群优化的多周期投资交易规则挖掘62-66
• 4.4.1 NPSO算法概述63
• 4.4.2 NPSO的目标函数63-64
• 4.4.3 NPSO的流程64-66
• 4.5 本章小结66-67
• 第五章 实证分析67-88
• 5.1 概述67-68
• 5.2 实验平台描述68
• 5.3 实验数据68-71
• 5.3.1 实验一数据69
• 5.3.2 实验二数据69-71
• 5.4 实验参数设置71-72
• 5.5 实验结果评价方法72-73
• 5.6 实验结果与分析73-87
• 5.6.1 实验一结果与分析74-75
• 5.6.2 实验二结果与分析75-87
• 5.7 本章小结87-88
• 总结和展望88-90
• 本文工作总结88-89
• 工作展望89-90
• 参考文献90-97
• 附录97-107
• 攻读硕士学位期间取得的研究成果107-108
• 致谢108-110
• 附件110

【参考文献】

中国期刊全文数据库 前2条

1 田雨波;朱人杰;薛权祥;;粒子群优化算法中惯性权重的研究进展[J];计算机工程与应用;2008年23期

2 谭华;谢赤;罗长青;江洲;;基于模糊粗糙集挖掘方法的证券价格预测研究[J];运筹与管理;2008年04期

  本文关键词：基于双聚类的多周期投资交易规则挖掘，由笔耕文化传播整理发布。

，

本文编号：295870