基于數(shù)據(jù)挖掘的量化選股策略的研究.pdf_第1頁
已閱讀1頁,還剩51頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、近年來,由于股票市場的不斷發(fā)展,量化投資技術越來越受到投資者的關注,我國的量化投資體系也逐漸走向成熟。隨著股市規(guī)則的不斷完善,上市股票的數(shù)量及與之相關的數(shù)據(jù)在不斷的增加,而股票的這些數(shù)據(jù)多且復雜,卻又隱含著很多有用的信息,那么如何從這些海量的數(shù)據(jù)中發(fā)現(xiàn)有用的信息,用常規(guī)的方法顯然已經(jīng)無法解決,而近些年發(fā)展起來的數(shù)據(jù)挖掘技術則可以幫助我們從那些海量的股票數(shù)據(jù)中挖掘出我們所需要的數(shù)據(jù)信息,通過對這些數(shù)據(jù)進行分析、建模得到我們想要的信息。

2、r>  本文主要討論了基于數(shù)據(jù)挖掘的量化選股模型。首先我們根據(jù)兩個條件對2013年-2015年滬深市場類全部A股的3000多支股票進行初步篩選:一是連續(xù)3年凈資產(chǎn)收益率穩(wěn)定且不小于10%,并剔除ST等公司股票;二是主營業(yè)務增長率與凈利潤增長率基本一致并且在10%以上。經(jīng)過篩選,51支基本面較好的股票被保留。其次,我們選取了財務數(shù)據(jù)中能夠反映公司盈利、償債、成長等能力的17個重要指標作為數(shù)據(jù)分析的基礎,考慮到因子之間存在重疊性、相關性,并

3、且若模型解釋變量太多則容易出現(xiàn)主次不分等問題,因此我們對這些指標做了主成分分析。通過主成分分析,在保留原數(shù)據(jù)絕大部分信息的同時,我們選出了無相關性的五個綜合指標,進而達到了降維的目的。在眾多的數(shù)據(jù)挖掘的算法中,聚類分析是特別容易理解而且已經(jīng)被證明在選股方面是很有效的一種方法,所以本文選擇了K均值聚類來研究選股策略,并且對K的選取做了對比,通過R軟件選出了最優(yōu)的K,從而將選股問題演變?yōu)檫x類問題。事實證明,針對我們的數(shù)據(jù),當K取5時聚類效果

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論