基于价值投资PCA2SVM股票选择模型研究.PDFVIP

西 安 工 程 大 学 学 报 Jou rnal of X i’an Po lytechn ic U n iversity ( ) ( ) 　第 23卷第 3期 总 97期 2009年 6 月 Vo l. 23 ,No. 3 Sum. No. 97 　 　　文章编号 : 167 1850X (2009) 030 12507 基于价值投资的 PCA SVM 股票选择模型研究 1 1 2 李云飞 ,龚冬生 ,惠晓峰 ( 1. 西安工程大学 管理学院 ,陕西 西安 7 10048; 2. 哈尔滨工业大学 管理学院 ,黑龙江 哈尔滨 150001) 摘要 :为了顺应股市价值回归趋势和引导理性投资 ,在价值投资理论指导下 ,采用 PCA SVM 方 法建立了基于价值投资的股票选择模型. 根据股票的价值特征集 ,采用主成分分析方法实现对股 票价值特征的提取. 采用多组不同的训练样本对支持向量机进行训练 ,并对训练成功的支持向量 机进行样本内和样本外测试. 利用该股票选择模型对上证 180 指数的成分股票进行识别. 结果证 明 PCA SVM 股票选择模型具有良好的选股能力. 关键词 :股票 ;价值投资 ;模式识别 ;支持向量机 ;主成分分析 中图分类号 : F 830　　文献标识码 : A 随着证券市场股权分置问题的顺利解决和其他各项配套改革的不断推进 ,我国证券市场日益规范 , 以 往非理性的单纯投机炒作必将退出历史舞台 ,而价值投资必然大行其道. 但是由于股票价格现象是一个非 线性的复杂系统 ,传统的股票投资价值研究方法有诸多不足 ,其中计量模型方法或是用简单的财务指标做 影响因子来解释股票收益 ,或是用未来现金流的贴现值来估计股票的内在价值 ,因此采用传统的模型方法 研究股票投资问题 ,无法克服模型检验困难和推广泛化能力差这两个难题 [ 1 ] . 综合评价方法多是从公司 价值的角度来设置指标 ,既缺乏面向投资的针对性 ,又无法进行检验 ,可信程度低 [ 2 ] . 最近大量的研究表 明 ,人工智能方法在处理非线性复杂系统问题时能力突出 ,其中应用最为广泛的是人工神经网络方法. 尽 管大量的理论和实证研究均证明人工神经网络方法与传统方法相比在处理非线性复杂系统问题时更有 效 ,但是神经网络也存在许多其自身无法克服的缺陷 ,其主要缺陷如下 : ①神经网络对训练样本数量 、分布 性和有效性要求较高 ,样本质量对神经网络的使用效果影响很大 ; ②神经网络训练容易陷入局部极小点 , 虽然 目前已经出现了许多补救措施可以使神经网络摆脱局部最小 ,但都无法从根本上克服这个缺陷; ③神 经网络的泛化能力差. 神经网络存在的缺陷无法从自身得到根本性的解决 ,这就制约了其在股票投资价值 分类模型中的使用效果. 本文采用支持向量机方法建立股票投资价值分类模型 ,并重点考察支持向量机股 票投资价值分类模型的分类效果和泛化能力. 支持向量机是建立在统计学习理论和结构风险最小化原则 的基础上 ,其主要思想就是将输入空间中的非线性映射为高维特征空间里的线性问题 ,在高维特征空间中 发现超平面并最大化超平面与支持向量之间的距离 ,这就保证了其分类效果和泛化能力要显著优于人工 神经网络 [ 3 ] . 1　原理与方法 11　模式识别 　　收稿 日期 : ( ) 　　基金项 目: 国家自然科学基金项 目 ( ) 　　通讯作者 :李云飞 1979 ,男 ,辽宁省锦州市人 ,西安工程大学讲师 ,博士. Em ail: h itlyf@ 163. com 126 　　　　　　 西 安 工 程 大 学 学 报 　 　　　　　　　　第 23卷 (