基于支持向量机的选时和选股研究-管理科学与工程专业论文.docxVIP

上海交通大学博士学位论走望金融数据的建模方法，指出四类具有宽广的适用面，也能很好地利 上海交通大学博士学位论走 望金融数据的建模方法，指出四类具有宽广的适用面，也能很好地利 用计算机的计算优势的模型：贝叶斯统计方法、隐马尔科夫模型、计 算密集型方法和SWs。重点对SVlIs的算法应用进行了介绍。说明了 本篇论文的研究内容和结构安排。 第二章对统计学习理论和SV-Is进行了详细阐述。首先对学习问 题的表示进行了介绍，包括函数估计模型、三类主要的学习问题、经 验风险最小化原理还有复杂性与推广能力。接着介绍了适合于小样本 估计与预测的统计学习理论的内容，包括学习过程～致性的条件、vc 维等概念。随后对结构风险最小原则的主要内容进行分析与介绍。最 后对支持向量机算法的主要内容进行了详细的介绍和分析。 第三章运用SVms回归对上证综合指数进行预测，并与BP神经网 络的预测结果进行了比较。本章的目的在于研究上证综合指数局部的 模型，而不在于研究全局的时间序列回归。实验发现：通常的情况下， 上证综合指数可以看成是SWts回归的骨架上叠)JOT某种正态随机的 噪声。本章还研究了在输入变量中加入成交量指标和技术指标(1iAcD) 对拟合结果的影响。实验表明svMs预测方法与BP神经网络预测方法 相比，预测的偏差较小并且预测的方向准确性较高。 第四章基于SVMs分类算法的选股是一种模式识别的技术，通过 SVMs分类算法找出战胜市场指数的投资组合。介绍了模式识别的基 本概念，解释了模式识别系统的主要4个组成部分：数据获取，预处 理，特征提取和选择，分类决策。最后采用沪深A股市场中的上市公 司数据验证了SWls选股方法的有效性，并运用最近邻分类法做了对 Ⅱ 摘要比实验。实验表明，过去5年中运用SVMs分类方法所得到的股票组 摘要 比实验。实验表明，过去5年中运用SVMs分类方法所得到的股票组 合超越市场基准23．47％。 第五章提出了基于SVMEI(支持向量机行业专家)的选股方法。接 着介绍了基于KPcA的特征提取方法，并用实际数据比较了PEA与l【PcA 的降维效果。最后用实验来验证SVMEI的选股效果，研究在沪深A股 中的29个行业进行选股的闯题，模拟结果表明5年之中，投资组合 超越上证综合指数37．2％。 第六章总结全文，并就进一步研究的问题和方向进行了展望。 论文的主要创新： 1．运用SVMs回归方法研究了上证综合指数局部的短期预测，并 将其结果与BP神经网络的结果进行了对比研究。 2．运用SWs分类算法研究了沪深A股市场中选股问题，并比较 其与最近邻法的结果。模拟结果显示运用SVl《ls分类算法所得 到的组合在5年的拟合中超越了上证综合指数，并且SV_Is所 得的结果要优于最近邻法。 3．提出了基于SVMEI的选股方法，针对每个不同的行业利用 SVMs的有导师分类算法进行专门的训练，并将每个行业经过 训练之后得到的由支持向量组成的判别函数称为sv忱I。沪深 A股29个行业的实证研究表明，SV砸I是一种有效的选股工 具。 关键词：支持向量机，时间序列回归，主成分分析，核主成分分 析，股票选择 IH TⅡ倒G TⅡ倒G SELECTIoN AND S’I’oCK SELECTION BASED oN SUPPoRT VECToR MACHlNES Sample number in traditional statistics is big，SO statistics assume the sample number is infinity．However,in many practical cases．samples arc small samples，the samples we can get are several，or just more than ten number．Most of existing methods based on traditional statistical theory may not work well in the situation of small samples．Statistical Learning Theory(SLT)is a smdstical theory for finite samples that fIt these small—sample cases．Support Vector Machines(SVMs)is a new learning machine bunt on VC(Vapnik-Chervonenkisl dimension and Structural Risk Minimum principle of SLT．SVMs do well in solving