基于WD-GA-SVR模型的基金净值预测研究.pdfVIP

基于WD-GA-SVR 模型的基金净值预测研究 摘 要 伴随着我国经济的快速发展和证券投资基金市场机制的持续完善，证券投资基金 已成为最受广大投资者欢迎的投资工具之一。随之带来的是基金规模的日益扩大与基 金投资需求的日益提高，这使得基金的收益成为了投资者最为关心的问题。无论是基 金管理公司还是个人投资者都渴望在基金市场中获得受益，因此正确预测基金走势成 为了重要的研究课题。 本文针对基金市场的时间序列数据不平稳、非线性、高噪声等特点，提出了一种 小波阈值降噪的数据预处理方法，并从coifN、dbN、symN 三种小波函数在不同阶数、 分解层数和阈值处理方法下的降噪表现入手选择策略；在变量选取上，共选择了周基 金份额净值、累计份额净值、净值增长率、周披露天数、行业集中度、持股集中度、 居民消费价格指数等共计十个变量，涉及了基金净值表现、资产配置、宏观经济等多 个方面；针对核函数的选择问题，使用了几种常用的核函数和基于线性加权组合的多 核方法进行择优选取；针对支持向量回归模型的超参数优化问题，使用了传统的网格 搜索法、遗传算法和粒子群算法求解最优参数组合。 研究得出主要结论如下：第一，对于基金时间序列数据，使用软硬折中法处理的 coif8 小波系数在2 层分解下的降噪表现最佳，模型经小波阈值降噪法处理后提高了模 型的鲁棒性。第二，MKL 多核学习会降低模型训练效率，而单核的RBF 核函数无论 是在精度上还是效率上都具有更好的表现。第三，相比于网格搜索法，优化算法极大 缩短了寻优时间，提高了预测精度，同时遗传算法在各项评估指标上的表现都优于粒 子群算法。最后，本文基于以上结论构建了WD_GA_SVR 预测模型并和BP 神经网络 与随机森林模型对比，同时使用8 支不同类型的基金产品进行实证预测。结果发现， WD_GA_SVR 模型不仅较其他模型具有更好表现，还能够准确预测不同类型基金的净 值走势。研究表明本文构建的预测模型具有很好的普遍适应性，可以为基金投资者、 管理公司和监管部门提供有效的数据参考。 关键词：基金净值；支持向量回归；小波阈值降噪；核函数；遗传算法 I 目录 目 录 1 绪论 1 1.1 研究背景及研究意义 1 1.1.1 研究背景 1 1.1.2 研究意义 1 1.2 国内外研究现状 2 1.2.1 国外研究现状 2 1.2.2 国内研究现状 4 1.2.3 文献评述 6 1.3 研究内容 6 1.4 研究创新点 8 2 基金市场和支持向量机理论介绍 9 2.1 基金的相关概念 9 2.1.1 基金的概念与特点 9 2.1.2 基金的分类 9 2.1.3 基金市场指标 9 2.2 基金市场预测方法 10 2.2.1 基本面分析法 10 2.2.2 技术面分析法 11 2.2.3 量化分析法 11 2.3 统计学习相关理论 12 2.3.1 经验风险最小化与一致性 12 2.3.2 VC 维与推广性的界 13 2.3.3 结构风险最小化 14 2.4 支持向量机介绍 15 2.4.1 最优分类面与线性可分问题 16 2.4.2 广义最优分类面与线性不可分问题 18