基于多分类支持向量机的选股模型研究

发布时间：2024-03-22 00:12

　　众所周知股票市场是一个充满各种信息的复杂系统。通常情况下,投资者所面对的是充斥着大量股票的市场,因此对于人们而言,如何选择出适合投资的股票是其必须解决的问题。从数据挖掘的角度看,股票选择的问题就是在股票的财务指标和未来收益之间建立映射关系,并通过这种映射识别出能在下一年度战胜大盘、并获取超额收益的股票。 本研究结合国内股票市场特别是沪深A股的特点以及股市实际运作情况,研究基于支持向量机的分类技术在分类选股中的应用。为了降低支持向量机非线性分类器的模型复杂度,在不降低分类精度的情况下,文中采用主成分分析技术对上市公司财务指标数据进行属性约减,该方法可以把原始的高维数据以少数几个主成分表示,同时尽可能保留原始数据的更多完整信息。这样就可以避免由于输入矩阵中某些属性的高度相关性给分类器的复杂度带来影响,从而可以提高模型在不同数据集上的泛化能力。最终按照等权重的投资策略,以本文提出的基于SVM的分类技术所选出的优势股进行投资,无论是在牛市或是熊市,都能获取战胜大盘的超额收益。由此可以得出,本研究对实际投资有很好的指导意义。

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图1-1数量化选股模型框架

图1-1数量化选股模型框架内金融市场取得快速发展，对于股票选择的研究成到了众多学者的广泛关注。钱颖能[4]以及左辉[5]等人票选择上，前者以2002年至2004年上海证券交易究背景建立贝叶斯分类选股模型，该模型选出的优著的超额收益；后者以证券分析师所推荐股票各方叶斯分....

图3-1数据规范化后各属性间的散点图

分布集中，从这点可以推断出这三个属性的峰度较大。与表3-3的数据呈现出一致的特性。另一方面，从各个属性间的散点图可以定性得出属性A和B、A和D、B和E、以及D和E有较强的线性相关性；属性L与A、B、E、F等指标则呈现出非线性的相关特性，而这种相关性....

图3-2各主成分累积方差贡献率

表3-4数据集A各属性间相关系数BCDEFGHIJKL.910.550.800.710.790.550.460.310.410.27-0.18.000.560.740.800.910.600.470.290.50....

图3-3支持向量机模式识别过程

VM[28][34]部分基于libsvm-2.9（http://www.csie.ntu.edu.tw/~cjlin/libsvm3.5基于支持向量机的分类选股模型框架一般意义而言，分类问题的实质就是模式识别问题。模式识别就识别的模式自动分到各类模式中。模式识别过程分为数据转....

本文编号：3934341