论文部分内容阅读
近些年,随着股票交易制度的逐步完善和成熟,股票也成为了一种重要的投资方式。股指让投资者从整体上把握股票市场的行情,股票指数和其成分股之间一般具有正相关性,在实际投资中具有重要作用,因此我们考虑在对股指涨跌预测的基础上对成分股进行投资。股指涨跌的预测问题可以看作是典型的二分类问题,从而我们可以使用机器学习理论中的分类算法对股指的涨跌进行预测。基于上述思想,考虑到股票市场波动的非线性特征以及我国的T?1交易制度,我们选择利用支持向量机(SVM)对沪深300的每周涨跌情况进行预测。文章的内容可以概括为以下三点:首先,本文回顾总结国内外有关股指预测的文献以及简单介绍股票指数和统计学习理论,紧接着详细介绍支持向量机模型的原理以及序列最小优化(SMO)算法。其次,本文建立基于支持向量机的股票指数涨跌预测模型。我们选择沪深300指数作为研究对象,利用沪深300指数从2002.1-2016.9的周交易数据构建样本检验该模型的预测效果;然后我们通过matlab自带的交叉验证算法以及网格搜索方法寻找SVM模型相关参数的最优值,由于我们构建的样本维数比较高,因此我们考虑利用PCA进行降维,将PCA与SVM相结合建立PCA-SVM模型,然后检验该模型的预测效果并与单纯的SVM模型的预测效果进行比较。实验证明:将SVM模型应用到预测沪深300指数每周涨跌是有效的,并且PCA-SVM预测效果比简单的SVM效果好。最后,我们将SVM预测模型应用于指导投资者进行投资,提出三种基于SVM预测模型的投资策略。根据历史数据对该策略进行回测并进行比较。实验结果表明:本文提出的投资方法是一个好的并且收益较高的策略。