一种改进主成分分析方法在股市量价关系研究中应用.docVIP

一种改进的主成分分析方法在股市量价关系研究中的应用 　　[摘要]对于多维的股票数据而言，利用改进的主成分分析方法进行数据预处理，在降低股票数据维数的同时还可保留原始数据的绝大部分信息和特征。通过对中国证券市场中的一支股票多维信息进行主成分分析并进行综合评价，找出其中一些简单的量价关系。 　　[关键词]主成分 分析 算法 量价关系 　　中图分类号：F83 文献标识码：A 文章编号：1671－7597（2008）1020101－02 　　 　　一、引言 　　 　　证券市场中最基本的关系是量价关系，而且在我国的证券市场中交易量与价格变化成显著的正相关关系，即，成交量放大时股票价格变化更加剧烈，反之亦然。由于我国股市制度的特殊性使得国外的一些成熟的理论研究与我国证券市场的实际情况还有一定的差距。 　　近几年我国的学者利用国内市场的数据对我国股市中的量价关系进行了各种实证研究，代表性的文献有[5，6，7，8]等。其中，文献[1]通过建立一种量价关系模型分析了我国股票市场中的量价关系，并指出了引起两件关系正相关的重要原因是存货调整效应和预期调整效应。文献[5]对上证180指数的周数据进行研究，并进行了Granger因果分析。文献[6]以沪市上证指数和总成交量为研究对象，借助协整检验、向量误差修正模型以及产出冲击反应等方法分别对牛市、熊市和盘整市三类市场情形进行实证研究。文献[7，8]以上海证券市场为研究对象，深入剖析了上海证券市场的量价关系特征。本文尝试着利用改进的主成分分析方法从时间区间和价格区间中对量价作出一定的解释。 　　 　　二、数据预处理 　　 　　股票数据是一个多维的数据，随着应用角度的不同，其所涉及到的指标也不同。例如在分析股票日数据时可以用股票当天价格的最高价，次高价，中间价，次低价和最低价五个指标表示股票价格的属性。 　　 　　三、主成分分析的基本原理及算法 　　 　　在实际问题中，经常遇到多变量问题，在多数情况下，不同指标之间是有一定相关性的，这就增加了问题的复杂性。主成分分析就是设法将原来的指标体系重新组合成一组新的、互相无关的综合指标，同时根据实际需要从中选取几个较少的综合指标尽可能多地反映原来指标体系的信息。因此，采用主成分分析法可以用来处理降维问题。 　　一般的主成分分析的算法为： 　　（1）列出指标数据矩阵X并计算X的协方差矩阵S； 　　（2）根据计算的协方差矩阵S的特征值和特征向量P；并按特征值 大小排列和特征向量 ； 　　 　　（3）根据 计算贡献率，根据 （km）计算累计贡献率； 　　（4）给定域值与累计贡献率进行比较以此确定主成分的个数，建立主成分方程； 　　（5）解释个主成分的意义并将各单位的原始数据代入方程中，计算综合评价值进行分析比较。 　　 　　四、主成分分析算法的改进 　　 　　（一）修正变量标准化后的误差 　　主成分综合评价方法的关键是求主成分，其工具是协方差矩阵。由于协方差矩阵易受指标的量纲和数量级的影响，经常要对原始数据进行标准化处理，标准化使协方差矩阵变成了相关系数矩阵。但在消除量纲与数量级影响的同时，也消除了各指标变异程度上的差异信息。因此从标准化的数据提取的主成分，实际上只包含了各指标间相互影响这一部分信息，不能准确反映原始数据所包含的全部信息，所以必须改进变量标准化后的误差。因此笔者提出一种对原始数据X进行均值化方法。设有N个被评价的对象，及M个指标，原始数据为 ，各指标的均值为 　　，其中i=1，2，…，n，j=1，2，…，m；均值化就是用各指标的均值去除它们相应的原始数据，即 ，均值化后数据的协方差矩阵 中的元素： 　　 　　以下为改进的算法： 　　（1）列出指标数据矩阵X； 　　（2）根据对X进行均值化处理； 　　（3）计算均值化后的X的协方差矩阵S； 　　（4）根据 计算的协方差矩阵S的特征值和特征向量P；并按特征值大小排列 和特征向量 ； 　　 　　（5）根据计算贡献率，根据 （km）计算累计贡献率； 　　（6）给定域值与累计贡献率进行比较以此确定主成分的个数，建立主成分方程； 　　（7）解释个主成分的意义，并将各单位的原始数据代入方程中，计算综合评价值进行分析比较。 　　经实验表明对原始数据X进行均值化方法能比较准确反映原始数据所包含的全部信息，并且对数据的大小的差距很大的情况能做出很好的分析。 　　（二）解决主成分分析中原始数据非线性化的问题 　　传统主成分分析方法存在两个不足之外:一是综合评价的实际结果与评价指标间的相关程度高低成正比，评价指标间相关程度越高，主成分分析的结果越好，当指标间相关性小时，每一个主成分承载的信息量就少，为满足累计方差贡献率达到一定水平(通常为85%以