基于SMO算法的支持向量机选股模型研究

摘要

随着近年来数理金融的不断完善，以及计算机技术的逐渐成熟，股票量化投资逐步发展起来。支持向量机（Support Vector Machine，SVM）作为很好的分类技术，国内外学者将其应用到股票选取中，做到了对股票收益率高低的分类及市场预测，但是由于股票市场数据的庞大和复杂性导致传统支持向量机分类精度不高。 本文采用了序列最小化算法（Sequential Minimal Optimization，SMO）对支持向量机选股模型进行优化。首先选取对股票收益率影响较大的财务指标，利用这些财务指标降维分析所得数据建立基于SMO算法改进的支持向量机选股模型（SMO-SVM），在模型构建方面，SMO-SVM选股模型在模型训练和测试时期准确率都高于SVM选股模型，尤其是在对于高收益股票的分类精度上有着明显的优势。接着使用选股模型进行股票投资组合的选取并将所选投资组合进行市场检验。经过对投资组合的市场检验，基于SMO算法优化的支持向量机选股模型所选股票投资组合的收益表现和风险方面均优于支持向量机选股模型。紧接着将市场周期分为上涨期、震荡期和下跌期，对投资组合进行分阶段的市场检验，结果显示，在上涨期，SMO投资组合承受高系统性风险的同时有着高的风险报酬，其收益高于上证综合指数和SVM投资模型；在震荡期，SMO投资组合有着不错的稳定性，基本维持着原有的超额收益；在下跌期通过风险指数的对比得出，承受相同风险的情况下，SMO有着更高的期望收益。 本文对支持向量机进行算法优化可以使其更好的应用在量化金融领域，同时也为今后支持向量机的应用研究提供了新的思路。

目录

声明

第一章 绪论

1.1.1 研究背景

1.1.2 研究意义与创新

1.2 国内外研究现状

1.2.1 量化选股的研究现状

1.2.2 支持向量机优化及应用的研究现状

1.3.1 研究内容

1.3.2 技术路线

1.3.3 文章结构

第二章 选股模型相关理论概述

2.1 支持向量机简介

2.2 支持向量机基本理论

2.2.1 线性可分问题的支持向量机

2.2.2 线性不可分问题的支持向量机

2.2.3 核函数

2.2.4 序列最小最优化（SMO）算法

2.3 量化投资模型

2.3.1 资本资产定价模型

2.3.2 套利定价模型

2.3.3 Fama-French三因子模型

2.4 本章小结

第三章 数据准备

3.1 数据选取

3.1.1 基于财务报表的财务指标

3.1.2 数据选取

3.2 数据预处理

3.3 主成分分析

3.3.1 主成分分析原理

3.3.2 主成分分析数据实验

3.4 本章小结

第四章 选股模型的构建与应用

4.1 选股模型的构建

4.1.1 选股模型的构建思路

4.1.2 参数寻优

4.2 模型的训练与测试

4.3 投资组合的选取

4.4 本章小结

第五章 选股模型的市场检验

5.1 市场检验指标介绍

5.2 市场综合分析

5.2.1 收益率分析

5.2.2 风险性分析

5.3 阶段性市场分析

5.3.1 下跌期分析

5.3.2 震荡期分析

5.3.3 上涨期分析

5.4 本章小结

第六章 总结与展望

6.1 本文工作总结

6.2 展望

致谢

参考文献

读硕期间取得的研究成果

附录

附录1

附录2