基于支持向量机的证券投资风险管理研究

论文摘要

风险是影响一切金融活动的基本要素。我国金融市场作为一个发展中的新兴市场,不仅仅是信用风险,市场风险等其他风险也必将随着金融市场的发展而逐渐加大。因此,金融风险管理方法研究对当前及未来我国金融创新以及投资机构进行投资决策均具有重要的意义。/支持向量机（Support Vector Machine,SVM）是在统计学习理论的基础上发展起来的一种新的机器学习方法,由于其完备的理论基础、出色的学习性能及预测性能而得到了广泛的应用。本文研究基于支持向量机的证券风险管理方法,主要的工作和取得的成果有:系统总结与回顾了证券市场投资风险度量方法;介绍了基于结构风险最小化原则的支持向量机理论与方法及SVM在经济学中的应用情况并研究了基于SVM的证券价格预测方法。以上海证券交易所综合指数为例的实证研究表明SVM模型能够很好的对股市波动进行建模。以华夏大盘精选基金为例的实证研究表明基于SVM的混沌时间序列预测可以较好捕捉市场运行趋势和识别市场异常波动,是一种优秀的风险预测与管理工具。针对统计学框架下传统VaR计算方法的不足,发展了基于加权支持向量机（W-SVM）的VaR计算新方法。对2001-2009年上证综指的实证研究表明,基于W-SVM的VaR模型优于传统的VaR方法,在小样本、厚尾、非线性及有异常波动的市场条件下,各种置信度下的W-SVM方法均能取得较好的性能。适合于各种风险偏好投资者采用。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 证券投资风险管理
• 1.3 本文研究意义
• 1.4 本文的研究内容及创新点
• 1.4.1 本文的主要研究内容
• 1.4.2 本文的主要创新点
• 1.5 本文的研究框架
• 第二章 文献综述
• 2.1 投资风险管理方法国内外研究现状
• 2.1.1 传统的风险管理理论
• 2.1.2 古典风险管理理论
• 2.1.3 现代的风险管理理论
• 2.2 市场风险度量方法国内外研究现状
• 2.2.1 波动率模型
• 2.2.2 VaR方法
• 2.2.3 CVaR方法
• 2.3 支持向量机（SVM,Support Vector Machine）
• 2.3.1 支持向量机的发展
• 2.3.2 SVM在经济学中的应用
• 2.3.3 支持向量机训练算法
• 2.3.4 SVM 模型选择的研究
• 第三章 支持向量机理论
• 3.1 引言
• 3.2 统计学习理论
• 3.2.1 机器学习
• 3.2.2 VC维
• 3.2.3 结构风险最小化
• 3.2.4 损失函数
• 3.3 支持向量机
• 3.3.1 支持向量机思想
• 3.3.2 支持向量回归机
• 3.3.3 常用核函数
• 3.3.4 模型参数的影响与优化
• 3.4 支持向量机的训练算法
• 3.4.1 SVM的训练问题
• 3.4.2 LS-SVM训练算法
• 3.5 小结
• 第四章 基于SVM的证券价格预测与风险识别研究
• 4.1 引言
• 4.2 基于SVM的上证综指预测
• 4.2.1 实验数据选取
• 4.2.2 数据预处理
• 4.2.3 支持向量机模型选择
• 4.2.4 预测结果分析
• 4.3 基于混沌时间序列的SVM预报模型
• 4.3.1 引言
• 4.3.2 基于SVM的混沌时间序列模型
• 4.3.3 Henon混沌时间序列
• 4.4 基于混沌时间序列的基金价格预测
• 4.4.1 华夏大盘精选基金
• 4.4.2 预测结果分析
• 4.5 小结
• 第五章 基于W-SVM的VaR计算新方法
• 5.1 引言
• 5.2 基于SVM的概率密度估计
• 5.2.1 概率密度估计问题
• 5.2.2 概率密度估计的SVM方法
• 5.2.3 仿真实验
• 5.3 基于W-SVM的概率密度估计
• 5.3.1 加权支持向量机
• 5.3.2 概率密度估计的W-SVM方法
• 5.3.3 加权模型的选取
• 5.3.4 仿真实验
• 5.4 基于W-SVM的VaR计算
• 5.4.1 VaR的定义
• 5.4.2 投资组合的VaR值计算
• 5.4.3 加权模型
• 5.5 实证分析
• 5.5.1 数据选取与预处理
• 5.5.2 W-SVM模型建立
• 5.5.3 基于W-SVM的VaR模型评价
• 5.6 小结
• 第六章 总结与展望
• 6.1 本文工作总结
• 6.2 本文工作展望
• 致谢
• 参考文献
• 攻读硕士研究生期间发表的论文