基于机器学习分类算法的新股开板当曰再封板预测及策略应用研究
发布时间：2021-01-20 09:26
本研究在系统性地综述了国内外量化投资发展状况与机器学习分类算法在量化投资应用研究成果的基础上,着重阐述了 BP神经网络、随机森林、支持向量机三种监督性分类算法的概念与原理,结合2014年年初以来我国A股市场新股上市之后所呈现的连续一字涨停板现象,首创性地将各分类算法应用于预测新股开板后当日能否再次封住涨停板的应用场景中;在界定了具有“IPO后打开一字涨停板当天能够重新封住涨停板”特征的新股样本作为分类预测对象的同时,较为深入地结合了股市基本面分析框架,选择了上市公司的规模、估值、盈利等自身的特质变量以及市场或行业热度及风格转换等不同维度与类型的外部市场变量构建了七个样本输入特征对各分类模型进行了监督性训练及参数优化,筛选出了三种算法在本研究情境下的最优参数模型,构建了一套完整的基于这三个分类预测模型的新股开板后博求再封板的短期交易策略,并对不同参数维度下的新股交易策略进行了样本内回溯测试与样本外模拟交易测试,主要得出了以下几点结论与新股短期交易建议:1.从交易策略的标的选择上看,若不对打开一字涨停板的新股进行一定的过滤而直接对所有新股在打开涨停板后均进行短期追多投机交易,从长期来看是一...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
1.1 选题背景与研究意义
1.2 量化投资国内外发展现状
1.2.1 国外量化投资发展现状
1.2.2 国内量化投资发展现状
1.2.3 量化投资预测模型的发展现状
1.3 主要研究内容与研究方法
1.4 研究创新点
2 机器学习分类算法在量化投资中的预测应用文献综述
2.1 BP神经网络算法在量化投资中的预测应用研究综述
2.2 随机森林算法在量化投资中的预测应用研究综述
2.3 支持向量机算法在量化投资中的预测应用研究综述
2.4 本章小结
3 三种机器学习分类算法原理概述
3.1 BP神经网络算法原理
3.2 随机森林算法原理
3.3 支持向量机算法原理
3.4 三种算法对比
4 我国沪深A股新股样本变量构建
4.1 封板新股样本界定及收益率统计
4.2 样本变量构建
4.3 各样本变量数据来源及处理
4.3.1 新股IPO及开板前市值与市盈率
4.3.2 新股所属指数板块及开板前板块热度
4.3.3 新股所属行业板块及开板前板块热度
4.3.4 新股所属行业板块及开板前板块热度
4.4 本章小结
5 机器学习分类算法预测新股开板当日再封板结果及分析
5.1 随机森林模型训练及参数优化
5.2 支持向量机模型训练及参数优化
5.3 BP神经网络模型训练及参数优化
5.4 三种算法预测结果综合对比分析
5.5 本章小结
6 基于预测模型的新股开板后交易策略研究
6.1 基于新股开板再封板分类预测模型的交易策略构建
6.2 交易策略样本内测试结果及分析
6.3 交易策略样本外测试结果及分析
6.4 本章小结
7 结论与展望
7.1 基本结论与投资建议
7.2 研究不足及展望
参考文献
【参考文献】：
期刊论文
[1]MLR和SVM模型在水电工程价格指数预测中的应用[J]. 郭琦,卢雅欢,陈志鼎,何湘君. 水电能源科学. 2016(10)
[2]大数据背景下我国上证50ETF期权定价研究[J]. 周玉琴,朱福敏. 东北农业大学学报(社会科学版). 2016(03)
[3]基于动态混沌神经网络的预测研究——以马铃薯时间序列价格为例[J]. 李哲敏,许世卫,崔利国,张建华. 系统工程理论与实践. 2015(08)
[4]基于随机森林模型的房产价格评估[J]. 徐戈,张科. 统计与决策. 2014(17)
[5]基于网络舆情支持向量机的股票价格预测研究[J]. 张世军,程国胜,蔡吉花,杨建伟. 数学的实践与认识. 2013(24)
[6]股票价格短期预测的LM遗传神经网络算法[J]. 肖菁,潘中亮. 计算机应用. 2012(S1)
[7]基于SVM神经网络的沪深300股指期货的实证研究[J]. 魏勤,张宇霖. 产业与科技论坛. 2012(10)
[8]灰色神经网络在股票价格预测中的应用[J]. 郑斯日古楞. 计算机仿真. 2012(02)
[9]基于遗传算法神经网络模型的蔬菜价格预报[J]. 郭强,罗长寿,魏清凤. 安徽农业科学. 2011(26)
[10]基于SVM的股票时间序列的预测研究[J]. 吕琦. 吉林工程技术师范学院学报. 2011(07)
博士论文
[1]随机森林算法优化研究[D]. 曹正凤.首都经济贸易大学 2014
硕士论文
[1]Fama-French五因子模型在中国A股市场的实证研究[D]. 吴敏华.吉林大学 2016
[2]基于随机森林和QGA-SVR的量化选股研究[D]. 林启敏.华南理工大学 2016
[3]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
[4]基于ARIMA与SVM组合模型的煤炭价格预测[D]. 郑荣.东华理工大学 2015
[5]基于径向基神经网络的白银现货价格预测研究[D]. 杨学文.燕山大学 2015
[6]基于随机森林的指数化投资组合构建研究[D]. 韩燕龙.华南理工大学 2015
[7]基于网络舆情的SVM股票价格预测研究[D]. 张世军.南京信息工程大学 2014
[8]神经网络技术在股票价格短期预测中的应用研究[D]. 闫冬.重庆交通大学 2013
[9]基于随机森林模型的二手房价格评估研究[D]. 杨沐晞.中南大学 2012
[10]基于BP神经网络的股票指数期货价格预测[D]. 李聪.青岛大学 2012
本文编号：2988797
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
1.1 选题背景与研究意义
1.2 量化投资国内外发展现状
1.2.1 国外量化投资发展现状
1.2.2 国内量化投资发展现状
1.2.3 量化投资预测模型的发展现状
1.3 主要研究内容与研究方法
1.4 研究创新点
2 机器学习分类算法在量化投资中的预测应用文献综述
2.1 BP神经网络算法在量化投资中的预测应用研究综述
2.2 随机森林算法在量化投资中的预测应用研究综述
2.3 支持向量机算法在量化投资中的预测应用研究综述
2.4 本章小结
3 三种机器学习分类算法原理概述
3.1 BP神经网络算法原理
3.2 随机森林算法原理
3.3 支持向量机算法原理
3.4 三种算法对比
4 我国沪深A股新股样本变量构建
4.1 封板新股样本界定及收益率统计
4.2 样本变量构建
4.3 各样本变量数据来源及处理
4.3.1 新股IPO及开板前市值与市盈率
4.3.2 新股所属指数板块及开板前板块热度
4.3.3 新股所属行业板块及开板前板块热度
4.3.4 新股所属行业板块及开板前板块热度
4.4 本章小结
5 机器学习分类算法预测新股开板当日再封板结果及分析
5.1 随机森林模型训练及参数优化
5.2 支持向量机模型训练及参数优化
5.3 BP神经网络模型训练及参数优化
5.4 三种算法预测结果综合对比分析
5.5 本章小结
6 基于预测模型的新股开板后交易策略研究
6.1 基于新股开板再封板分类预测模型的交易策略构建
6.2 交易策略样本内测试结果及分析
6.3 交易策略样本外测试结果及分析
6.4 本章小结
7 结论与展望
7.1 基本结论与投资建议
7.2 研究不足及展望
参考文献
【参考文献】：
期刊论文
[1]MLR和SVM模型在水电工程价格指数预测中的应用[J]. 郭琦,卢雅欢,陈志鼎,何湘君. 水电能源科学. 2016(10)
[2]大数据背景下我国上证50ETF期权定价研究[J]. 周玉琴,朱福敏. 东北农业大学学报(社会科学版). 2016(03)
[3]基于动态混沌神经网络的预测研究——以马铃薯时间序列价格为例[J]. 李哲敏,许世卫,崔利国,张建华. 系统工程理论与实践. 2015(08)
[4]基于随机森林模型的房产价格评估[J]. 徐戈,张科. 统计与决策. 2014(17)
[5]基于网络舆情支持向量机的股票价格预测研究[J]. 张世军,程国胜,蔡吉花,杨建伟. 数学的实践与认识. 2013(24)
[6]股票价格短期预测的LM遗传神经网络算法[J]. 肖菁,潘中亮. 计算机应用. 2012(S1)
[7]基于SVM神经网络的沪深300股指期货的实证研究[J]. 魏勤,张宇霖. 产业与科技论坛. 2012(10)
[8]灰色神经网络在股票价格预测中的应用[J]. 郑斯日古楞. 计算机仿真. 2012(02)
[9]基于遗传算法神经网络模型的蔬菜价格预报[J]. 郭强,罗长寿,魏清凤. 安徽农业科学. 2011(26)
[10]基于SVM的股票时间序列的预测研究[J]. 吕琦. 吉林工程技术师范学院学报. 2011(07)
博士论文
[1]随机森林算法优化研究[D]. 曹正凤.首都经济贸易大学 2014
硕士论文
[1]Fama-French五因子模型在中国A股市场的实证研究[D]. 吴敏华.吉林大学 2016
[2]基于随机森林和QGA-SVR的量化选股研究[D]. 林启敏.华南理工大学 2016
[3]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
[4]基于ARIMA与SVM组合模型的煤炭价格预测[D]. 郑荣.东华理工大学 2015
[5]基于径向基神经网络的白银现货价格预测研究[D]. 杨学文.燕山大学 2015
[6]基于随机森林的指数化投资组合构建研究[D]. 韩燕龙.华南理工大学 2015
[7]基于网络舆情的SVM股票价格预测研究[D]. 张世军.南京信息工程大学 2014
[8]神经网络技术在股票价格短期预测中的应用研究[D]. 闫冬.重庆交通大学 2013
[9]基于随机森林模型的二手房价格评估研究[D]. 杨沐晞.中南大学 2012
[10]基于BP神经网络的股票指数期货价格预测[D]. 李聪.青岛大学 2012
本文编号：2988797
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/2988797.html
