發(fā)布時間：2020-11-18 03:55

　　 隨著近年來數(shù)理金融的不斷完善,以及計算機技術的逐漸成熟,股票量化投資逐步發(fā)展起來。支持向量機(Support Vector Machine,SVM)作為很好的分類技術,國內外學者將其應用到股票選取中,做到了對股票收益率高低的分類及市場預測,但是由于股票市場數(shù)據的龐大和復雜性導致傳統(tǒng)支持向量機分類精度不高。本文采用了序列最小化算法(Sequential Minimal Optimization,SMO)對支持向量機選股模型進行優(yōu)化。首先選取對股票收益率影響較大的財務指標,利用這些財務指標降維分析所得數(shù)據建立基于SMO算法改進的支持向量機選股模型(SMOSVM),在模型構建方面,SMO-SVM選股模型在模型訓練和測試時期準確率都高于SVM選股模型,尤其是在對于高收益股票的分類精度上有著明顯的優(yōu)勢。接著使用選股模型進行股票投資組合的選取并將所選投資組合進行市場檢驗。經過對投資組合的市場檢驗,基于SMO算法優(yōu)化的支持向量機選股模型所選股票投資組合的收益表現(xiàn)和風險方面均優(yōu)于支持向量機選股模型。緊接著將市場周期分為上漲期、震蕩期和下跌期,對投資組合進行分階段的市場檢驗,結果顯示,在上漲期,SMO投資組合承受高系統(tǒng)性風險的同時有著高的風險報酬,其收益高于上證綜合指數(shù)和SVM投資模型;在震蕩期,SMO投資組合有著不錯的穩(wěn)定性,基本維持著原有的超額收益;在下跌期通過風險指數(shù)的對比得出,承受相同風險的情況下,SMO有著更高的期望收益。本文對支持向量機進行算法優(yōu)化可以使其更好的應用在量化金融領域,同時也為今后支持向量機的應用研究提供了新的思路。
【學位單位】：電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：F832.51;F224
【部分圖文】：

非線性分隔超平面
【參考文獻】

相關期刊論文 前10條

1 扶潤勁;;淺談企業(yè)財務指標有效性分析[J];新經濟;2015年17期

2 王艷;陳敏;趙子龍;;基于高頻夏普指數(shù)的組合證券投資模型[J];系統(tǒng)工程理論與實踐;2015年01期

3 陳榮達;虞歡歡;;基于啟發(fā)式算法的支持向量機選股模型[J];系統(tǒng)工程;2014年02期

4 蘇治;傅曉媛;;核主成分遺傳算法與SVR選股模型改進[J];統(tǒng)計研究;2013年05期

5 許紅偉;吳沖鋒;張翔;;我國量化(對沖)基金業(yè)績表現(xiàn)的比較分析[J];投資研究;2013年02期

6 王健峰;張磊;陳國興;何學文;;基于改進的網格搜索法的SVM參數(shù)優(yōu)化[J];應用科技;2012年03期

7 徐國祥;楊振建;;PCA-GA-SVM模型的構建及應用研究——滬深300指數(shù)預測精度實證分析[J];數(shù)量經濟技術經濟研究;2011年02期

8 奉國和;;SVM分類核函數(shù)及參數(shù)選擇比較[J];計算機工程與應用;2011年03期

9 狄明明;孫德山;;聚類分析和支持向量機在股票研究中的應用[J];計算機技術與發(fā)展;2009年06期

10 李云飛;惠曉峰;;基于支持向量機的股票投資價值分類模型研究[J];中國軟科學;2008年01期

本文編號：2888297