基于模糊动态SVM集成模型的选股研究

摘要

现在越来越多的人选择通过买卖股票来达到财产的增值。众所周知，股市是高风险的投资市场，投资者如果只凭直觉和经验来投资的话，会很容易遭受严重的财产损失。所以，一种科学有效的股票筛选方法可以缩小投资者的选股范围，帮助人们做出更好的投资决策。本文正是着眼于此，通过改进支持向量机（SVM），提出一种基于模糊动态SVM集成模型的选股方法，来研究股票投资中关键的基础问题——股票选择，为投资者投资股票提供帮助。
　　本文总结回顾国内外相关问题的研究现状，系统阐述了 SVM相关的理论，分析了股票选择的影响因素。探讨了改进 SVM集成模型选股的必要性，根据以往研究的缺陷，本文提出利用惩罚参数动态化、模糊隶属度来改进传统 SVM，由此构建基于模糊动态的 SVM集成模型，以提高传统 SVM集成模型的选股准确性和适用性，同时描述了模糊动态SVM集成模型实施步骤。文中选取深沪两市的2714家上市公司为研究对象，采用2015年5月1日到2017年4月30日的四组不同行业的实验样本，运用模糊动态 SVM集成模型进行了实证分析，结果表明利用此模型选择的股票超过了行业内的平均收益率，其选股结果有助于投资者进行股票选择时缩小选择范围，高效地做出具体的投资决策。在此基础上，将基于模糊动态的 SVM集成模型与传统SVM集成模型的进行了预测收益率和预测误差对比，结果显示模糊动态 SVM集成模型在准确性上都有了明显的提升，进一步证明改进 SVM集成模型的有效性。

目录

第1章 绪论

1.1 研究背景及意义

1.2 股票选择模型的研究现状

1.3 研究内容及技术路线

第2章 SVM选股的相关理论和影响因素分析

2.1 机器学习理论

2.2 统计学习理论

2.3 支持向量机选股模型

2.4 影响股票选择中的因素分析

2.5 本章小结

第3章 基于模糊动态的SVM集成模型改进

3.1 改进SVM集成模型的必要性

3.2 改进SVM集成模型适用的指标体系

3.3 改进SVM集成模型

3.4 模糊动态SVM集成模型的实施步骤

3.5 本章小结

第4章 基于模糊动态SVM集成模型选股的实证

4.1 样本选取

4.2 数据处理

4.3 模型选股的实证结果

4.4 结果分析与评价

4.5 本章小结

结论

参考文献

附录

声明

致谢