支持向量机在证券投资分析中的应用

论文摘要

支持向量机是借助于最优化方法解决机器学习问题的新工具，它最初于二十世纪九十年代由Vapnik提出，近年来在其理论研究和算法实现方面都取得了突破性进展，开始成为克服“维数灾难”和“过学习”的有力手段。本文首先将证券投资分析转化成一个学习问题，然后应用支持向量机学习证券的市场行为，得出一个分类模式（或称决策函数），此分类模式类似于技术分析中的经验法则，可辅助做出买卖信号。本文所做的主要工作有：一介绍我国证券市场中常用的几种技术指标，并根据技术指标的使用法则，做一些统计上的验证。统计结果表明技术指标的使用法则的确有一定的预测能力。二将支持向量机算法用matlab程序实现。三建立预测股价涨跌的支持向量机分类模型，并分别对个股和指数数据进行了实证检验，结果表明对个股的涨跌预测有较大的不确定性，对指数的涨跌预测能达到60％的准确率。四建立通过财务指标筛选股票的支持向量机分类模型，并对上交所1999-2005年的所有上市公司作为样本进行实证研究，结果表明挑选出的股票其半均每股收益远远超过了上市公司平均每股收益。本文的创新之处是：基于支持向量机建立了两个用于证券投资分析的模型：预测股价涨跌模型和筛选股票模型。前者认为技术指标是行之有效的指导证券投资分析的方法，未来股价走势一定程度上能在技术指标中反映出来，将技术指标值作为输入向量，通过支持向量机算法得到一个决策函数，可输出有关股价未来走势的预测；后者认为上市公司本年度财务结构会影响下一年的收益水平，将公司财务指标作为输入向量，通过支持向量机在样本数据上的训练学习得到的决策函数，可输出对该公司未来收益水平高低的预测。

论文目录

• 致谢
• 中文摘要
• ABSTRACT
• 1 引言
• 2 证券投资技术分析
• 2.1 技术分析概述
• 2.2 技术分析的前提假设
• 2.3 指标技术分析与机器学习
• 2.4 常用的几种指标
• 2.4.1 趋势型
• 2.4.2 超买超卖型
• 2.4.3 人气型
• 2.4.4 大势型
• 2.5 技术指标有效性的统计验证
• 3 支持向量机基本原理和算法实现
• 3.1 数据挖掘方法概述
• 3.2 分类学习机
• 3.3 线性可分问题
• 3.3.1 最大间隔和线性可分支持向量机
• 3.3.2 线性可分支持向量机的理论基础
• 3.4 支持向量分类机
• 3.5 C支持向量机算法的程序实现
• 4 基于支持向量机的证券投资分析实证研究
• 4.1 股价涨跌预测
• 4.1.1 实证
• 4.1.2 结果分析
• 4.2 对大盘指数的涨跌预测
• 4.2.1 对上证指数和深成指数的预测
• 4.2.2 小结
• 4.3 基于财物指标的股票优选
• 4.3.1 实证
• 4.3.2 结果分析比较
• 5 结论
• 参考文献
• 附录
• 学位论文数据集