基于粒化的互联网金融大数据分析.docVIP

基于粒化的互联网金融大数据分析 摘　要：随着大数据时代的到来，数据挖掘技术正日益渗透到各行各业。基于数据挖掘技术挖掘出掌柜钱包的基本面数据，其目的是为了获取投资的标量信息。随后建立支持向量机的指数回归预测模型，通过模型回测判断预测效果良好。为了更好的判断未来价量信息的走向，因此采用基于模糊信息化的支持向量机指数预测模型，以每周信息为一个信息点，所得到结果准确。 关键词：大数据；信息粒化；支持向量机；指数预测 １　引言 “掌柜钱包”是兴业全球基金与兴业银行联合推出的互联网的理财存取业务，该业务于２０１４年３月１０日上线运行，自上线以来在同类１０４只货币基金多次排前两名，截至２０１８年１２月，资金规模达４６０亿元，在货币基金市场排名第五。在掌柜钱包广受欢迎的同时，我们也要对其进行预警研究，而本文使用的技术分析就是一种比较有效的方式。技术分析注重对金融市场历史数据的研究，通过图表展现预测价格走势和投资策略分析。在理论上，技术分析只考虑市场或金融工具的实际价格行为，并认为价格会通过其他渠道反映所有投资者的相关因素。技术分析是一种证券交易的基本分析方法，也是实际操作是最大的分析方法。关于技术分析的运用和市场交易的有效性，学术界和实务界一直存在争议。但从实践角度，为了更好地理解和运用技术分析，实现投资收益，减少被动风险其研究也是非常有意义的。一个衡量风险的指标是ＭＳＥ，而本文运用的ＳＶＭ能够有效性的检验误差。 ２　文献综述 随着金融市场的扩张、金融风险预警的发展，技术分析较传统投资优势逐渐显现。Ｍａｒｋｏｗｉｔｚ在１９５２年发表的《投资组合选择理论》中提出了均值－方差模型，开创了现代投资组合理论。紧接着Ｗｉｌｌｉａｍ　Ｓｈａｒｐｅ１９６４年对资产组合模型进行了简化，提出了资本资产定价ＣＡＰＭ模型，阐释了单一投资回报率与标准投资组合的投资回报率之间的相关性。随后Ｓｔｅｐｈｅｎ　Ｒｏｓｓ在１９７６年提出了套利定价ＡＰＴ模型，认为如果市场未达到均衡状态并且不考虑交易成本等中间因素，就会存在无风险套利机会。从而将资本资产定价理论推向了一个新的研究阶段。近些年，机器学习技术在技术投资领域得到了快速发展，ＳＶＭ作为一个常用的技术有了大量的研究。ＭＡＨ　Ｆａｒｑｕａｄ提出在解决财务问题的银行信用卡客户的流失预测和保险中的欺诈检测，ＳＶＭ能够敏感性的判断，实证结果表明，所提出的改进的基于主动学习的ＳＶＭ方法产生了最佳灵敏度，并且减少了规则的长度和数量，从而提高了可理解性。Ｌ．Ｚｈａｎｇ提出ＳＶＭ在供应链金融管理供应商和客户管理之间的需求，建立一个认证管理系统，从而提高了中小企业融资过程的信用评级状况。胡海清等提出了供应链金融模式下的信用风险管理，利用ＳＶＭ建立风险评估体系，证实了风险评估的有效性。Ｈｓｕ，Ｍｉｎｇ－Ｗｅｉ等提出将机器学习方法应用到金融时间序列预测上，金融市场的可预测性和基于模型的盈利交易的可行性受到市场成熟度、所采用的预测方法、预测产生的时间范围以及评估模型和模拟模型交易的方法的显著影响，且ＳＶＭ预测所得到的效果显著。Ｓｈｏｍ　Ｐｒａｓａｄ　Ｄａｓ等提出ＳＶＭ－ＴＬＢＯ模型避免了用户指定的控制参数，通过预测ＣＯＭＤＥＸ商品期货指数的每日收盘价来评估该混合模型的可行性和效率。实验结果表明，该模型是有效的，并且比粒子群优化（ＰＳＯ）＋ＳＶＭ混合和标准ＳＶＭ模型表现更好。例如，与标准ＳＶＭ回归相比，该模型将平均绝对误差提高了６５．８７％（提前１天预测），５５．８３％（提前３天预测）和６７．０３％（提前５天预测）。更多的，Ｊｏｈａｎａ等人分析了５９篇关于ＳＶＭ和金融时间序列的分析进展，结论表明ＳＶＭ比传统的时间序列方法更准确。 ３　粒化支持向量机理论介绍 ３．１　相关理论，２０世纪９０年代初Ｖａｐｎｉｋ等人根据统计学习理论提出了一种新的机器学习方法，即ＳＶＭ方法。该方法以结构风险最小化原则为理论基础，通过适当地选择函数子集及该子集中的判别函数，使学习机器的实际风险达到最小，保证了通过有限训练样本得到的小误差分类器，对独立测试集的测试误差仍然较小。在支持向量和输入空间抽取的向量之间的内积核是构造支持向量机学习算法的关键。其中支持向量机是由算法从训练数据中抽取的小子集构成。其种类主要有：线性核函数：Ｋ（ｘ，ｘｉ）＝ｘＴｘｉ；多项式核函数：Ｋ（ｘ，ｘｉ）＝（γｘＴｘｉ＋ｒ）ｐ，γ＞０；径向基核函数：Ｋ（ｘ，ｘｉ）＝ｅｘｐ（－γ｜｜ｘ－ｘｉ｜｜２），γ＞０；两层感知器核函数：Ｋ（ｘ，ｘｉ）＝ｔａｎｈ（γｘＴｘｉ＋ｒ）通过对比发现，虽然对掌柜钱包进行了回归预测，但是大多数时候无法对指数进行精确预测，如果能够对开盘指数和变化空间进行预测就显得很重要。利用ＳＶＭ对进行模糊信息粒化