支持向量机在基金评估中的应用

论文摘要

随着我国新基金的不断设立和基金行业的超常规发展,恰当的监测、分析和评价基金的业绩已越来越重要。在此背景下,本文希望通过借鉴西方国家证券投资基金绩效评价的方法,探索符合我国证券市场特点的业绩评估体系,为基金投资者、监管者、基金管理公司以及基金业的发展提供一些参考。统计学习理论是一种专门研究有限样本情况下机器学习规律的理论,追求在有限信息的条件下得到最优结果。支持向量机是在统计学习理论的基础上发展而来的一种新的机器学习方法,在解决有限样本、非线性及高维模式识别问题中表现出许多特有的优势。本文首先从理论上对国内外各种基金业绩评估的方法进行了较为系统的回顾和总结。其次,通过参考国内外不同基金评估所选用的指标,结合我国基金业的实际情况,分别从基金公司、基金经理、风险水平及风险调整前后的收益水平等多个方面,给出了基金评估的指标集;对于指标集的特征选择,主要采用独立成分分析方法和核主成分分析方法。然后,利用支持向量机模型,对我国开放式基金的业绩进行了实证评估。实证结果表明,在我国基金业绩评估中,本文的方法取得了较好的分类准确率,说明了本文方法的可行性及有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 课题研究意义
• 1.4 课题研究工作
• 1.5 论文组织安排
• 第二章 证券投资基金概述
• 2.1 证券投资基金
• 2.1.1 证券投资基金定义
• 2.1.2 证券投资基金特点
• 2.1.3 证券投资基金的作用
• 2.2 证券投资基金的分类
• 2.2.1 投资基金的一般分类
• 2.2.2 证券投资基金的一般分类
• 2.2.3 共同基金
• 2.3 基金评估常用方法
• 2.3.1 国内基金评估常用方法
• 2.3.2 国外基金评估常用方法
• 2.4 本章小结
• 第三章 支持向量机
• 3.1 支持向量机基本理论
• 3.2 支持向量机分类算法
• 3.2.1 一对多法
• 3.2.2 一对一法
• 3.2.3 决策导向非循环图法
• 3.3 本章小结
• 第四章 指标选取及特征提取
• 4.1 指标选取
• 4.2 特征提取
• 4.2.1 特征提取概述
• 4.2.2 ICA算法及特征提取
• 4.2.3 KPCA算法及特征提取
• 4.3 小结
• 第五章 基金业绩评估实证研究
• 5.1 数据样本
• 5.2 类别标记
• 5.3 预测模型
• 5.3.1 ICA-SVM预测模型
• 5.3.2 KPCA-SVM预测模型
• 5.4 实验结果分析
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 全文总结
• 6.2 存在的问题和进一步的研究工作
• 参考文献
• 致谢