基于支持向量機(jī)的選時(shí)和選股研究.pdf

1、傳統(tǒng)統(tǒng)計(jì)學(xué)研究的樣本是大樣本,理論上假設(shè)樣本為無(wú)窮大.然而在實(shí)際問(wèn)題中,所能得到的樣本常常是小樣本,有時(shí)樣本只有幾個(gè)、十幾個(gè).基于傳統(tǒng)統(tǒng)計(jì)學(xué)的方法在解決小樣本情況下難以取得理想效果.統(tǒng)計(jì)學(xué)習(xí)理論是在建立在有限樣本情況下的統(tǒng)計(jì)學(xué)理論,適合于研究這類(lèi)小樣本的問(wèn)題.支持向量機(jī)(Support Vectot Machines,簡(jiǎn)稱(chēng)SVMs)是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC(Vapnik-Chervonenkis)維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的一種機(jī)

2、器學(xué)習(xí)方法.SVMs在解決實(shí)際應(yīng)用中的小樣本問(wèn)題時(shí),具有較大優(yōu)勢(shì).金融工程研究中時(shí)常碰到小樣本的問(wèn)題,這主要是由于已有樣本的數(shù)量與樣本的維數(shù)相比不夠大,例如,運(yùn)用上市公司的財(cái)務(wù)指標(biāo)來(lái)選擇投資組合,上市公司的年報(bào)信息可能只有十幾個(gè),但是可選的財(cái)務(wù)指標(biāo)有幾十個(gè).此時(shí)采用SVMs算法來(lái)研究就比較合適.本文分別運(yùn)用SVMs回歸算法和分類(lèi)算法研究了上證綜合指數(shù)的回歸問(wèn)題和滬深A(yù)股市場(chǎng)選擇投資組合的問(wèn)題. 論文的主要工作: 第一章緒論首先討

3、論了金融數(shù)據(jù)的特點(diǎn),并分析了將問(wèn)題化復(fù)雜為簡(jiǎn)單的方法和途徑.隨后對(duì)金融中的數(shù)據(jù)建模方法進(jìn)行了簡(jiǎn)要評(píng)述與回顧,從中可以發(fā)現(xiàn)目前金融數(shù)據(jù)的建模方法正朝向多維、處理大量數(shù)據(jù)、融合先驗(yàn)信息并考慮局部信息的混合模型的方向上發(fā)展.展望金融數(shù)據(jù)的建模方法,指出四類(lèi)具有寬廣的適用面,也能很好地利用計(jì)算機(jī)的計(jì)算優(yōu)勢(shì)的模型:貝葉斯統(tǒng)計(jì)方法、隱馬爾科夫模型、計(jì)算密集型方法和SVMs.重點(diǎn)對(duì)SVMs的算法應(yīng)用進(jìn)行了介紹.說(shuō)明了本篇論文的研究?jī)?nèi)容和結(jié)構(gòu)安排.

4、 第二章對(duì)統(tǒng)計(jì)學(xué)習(xí)理論和SVMs進(jìn)行了詳細(xì)闡述.首先對(duì)學(xué)習(xí)問(wèn)題的表示進(jìn)行了介紹,包括函數(shù)估計(jì)模型、三類(lèi)主要的學(xué)習(xí)問(wèn)題、經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理還有復(fù)雜性與推廣能力.接著介紹了適合于小樣本估計(jì)與預(yù)測(cè)的統(tǒng)計(jì)學(xué)習(xí)理論的內(nèi)容,包括學(xué)習(xí)過(guò)程一致性的條件、VC維等概念.隨后對(duì)結(jié)構(gòu)風(fēng)險(xiǎn)最小原則的主要內(nèi)容進(jìn)行分析與介紹.最后對(duì)支持向量機(jī)算法的主要內(nèi)容進(jìn)行了詳細(xì)的介紹和分析. 第三章運(yùn)用SVMs回歸對(duì)上證綜合指數(shù)進(jìn)行預(yù)測(cè),并與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果

5、進(jìn)行了比較.本章的目的在于研究上證綜合指數(shù)局部的模型,而不在于研究全局的時(shí)間序列回歸.實(shí)驗(yàn)發(fā)現(xiàn):通常的情況下,上證綜合指數(shù)可以看成是SVMs回歸的骨架上疊加了某種正態(tài)隨機(jī)的噪聲.本章還研究了在輸入變量中加入成交量指標(biāo)和技術(shù)指標(biāo)(MACD)對(duì)擬合結(jié)果的影響.實(shí)驗(yàn)表明SVMs預(yù)測(cè)方法與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法相比,預(yù)測(cè)的偏差較小并且預(yù)測(cè)的方向準(zhǔn)確性較高. 第四章基于SVMs分類(lèi)算法的選股是一種模式識(shí)別的技術(shù),通過(guò)SVMs分類(lèi)算法找出戰(zhàn)勝

6、市場(chǎng)指數(shù)的投資組合.介紹了模式識(shí)別的基本概念,解釋了模式識(shí)別系統(tǒng)的主要4個(gè)組成部分:數(shù)據(jù)獲取,預(yù)處理,特征提取和選擇,分類(lèi)決策.最后采用滬深A(yù)股市場(chǎng)中的上市公司數(shù)據(jù)驗(yàn)證了SVMs選股方法的有效性,并運(yùn)用最近鄰分類(lèi)法做了對(duì)比實(shí)驗(yàn).實(shí)驗(yàn)表明,過(guò)去5年中運(yùn)用SVMs分類(lèi)方法所得到的股票組合超越市場(chǎng)基準(zhǔn)23.47﹪. 第五章提出了基于SVMEI(支持向量機(jī)行業(yè)專(zhuān)家)的選股方法.接著介紹了基于KPCA的特征提取方法,并用實(shí)際數(shù)據(jù)比較了PC

7、A與KPCA的降維效果.最后用實(shí)驗(yàn)來(lái)驗(yàn)證SVMEI的選股效果,研究在滬深A(yù)股中的29個(gè)行業(yè)進(jìn)行選股的問(wèn)題,模擬結(jié)果表明5年之中,投資組合超越上證綜合指數(shù)37.2﹪.第六章總結(jié)全文,并就進(jìn)一步研究的問(wèn)題和方向進(jìn)行了展望. 論文的主要?jiǎng)?chuàng)新: 1.運(yùn)用SVMs回歸方法研究了上證綜合指數(shù)局部的短期預(yù)測(cè),并將其結(jié)果與BP神經(jīng)網(wǎng)絡(luò)的結(jié)果進(jìn)行了對(duì)比研究. 2.運(yùn)用SVMs分類(lèi)算法研究了滬深A(yù)股市場(chǎng)中選股問(wèn)題,并比較其與最近鄰法