基于SVM的IPO首日投资策略分析方法研究及实现

论文摘要

股票作为金融市场最主要的金融工具之一,其价格波动能否预测、以及用何种方法进行预测,一直以来都是金融领域研究的焦点问题之一。国内外对股票价格波动进行预测的模型种类很多,然而不论哪一种模型,目前的研究都局限于通过已知的时间序列来预测将来的时间序列,这类模型对于预测没有历史时间序列的新股IPO无能为力。支持向量机采用结构风险最小化原则,使风险只与输入样本数目有关,而与输入的维数无关,从而避免“维数灾难”,克服了传统神经网络收敛速度慢,存在局部极小值等缺点,具有较好的泛化能力。本文将这个方法应用于新股IPO价格的预测,预测效果基本令人满意。本文还另外讨论了核函数及其参数对预测结果的影响。因此基于支持向量机的新股IPO价格预测模型对股票价格研究有着重要的参考价值。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景和目的
• 1.1.1 IPO首日的巨大套利空间
• 1.1.2 新股炒作原因的理论分析
• 1.1.3 基于机器学习的股票价格预测方法成为当前研究热点
• 1.1.4 运用机器学习技术预测新股IPO走势所需解决的问题
• 1.2 股票价格预测国内外研究现状
• 1.2.1 证券投资分析法
• 1.2.2 时间序列模型
• 1.2.3 智能预测
• 1.3 本文内容及章节安排
• 第2章 相关概念和理论基础
• 2.1 统计学习理论
• 2.2 支持向量机
• 2.2.1 指示函数集的VC维
• 2.2.2 结构风险最小化原则
• 2.2.3 SVM的基本原理
• 2.2.4 SVM的应用研究情况
• 2.3 k-最近邻判别法的原理
• 2.3.1 最近邻决策规则
• 2.3.2 k-最近邻判别规则
• 2.3.3 k-近邻判别的应用
• 第3章 IPO首日投资策略模型的构建
• 3.1 特征向量的选取
• 3.2 基于SVM的方法研究
• 3.2.1 LIBSVM软件包简介
• 3.2.2 SVM核函数的选择
• 3.2.3 参数C对SVM性能的影响
• 3.3 基于KNN的方法
• 3.3.1 影响KNN分类算法的因素
• 3.3.2 影响KNN分类速度的因素
• 3.3.3 KNN边界问题解决方案
• 第4章 模型的应用实验与分析
• 4.1 样本的选择
• 4.2 标准化
• 4.3 支持向量机IPO价格预测
• 4.3.1 支持向量机IPO价格预测流程
• 4.3.2 支持向量机参数的选择
• 4.3.3 实验结果
• 4.4 K-近邻IPO价格预测
• 4.4.1 K-近邻IPO价格预测流程
• 4.4.2 相似度计算方法
• 4.4.3 实验结果
• 4.5 SVM与KNN的结果比较
• 4.6 实例验证
• 4.6.1 实盘炒股大赛
• 4.6.2 炒股大赛结果分析
• 第5章 总结与展望
• 参考文献
• 致谢