基于机器学习方法预测股市的系统性风险

摘要

股票市场的系统性风险作为金融系统的主要风险之一，长期受到人们的关注和研究，而目前我国的股票市场风险状况仍然不容乐观，影响股票市场的系统性风险依然存在。
　　本文针对股票市场系统性风险做了三方面的工作。首先通过标准化原始数据、在计算出价格上升期间所需成交量后，对所需成交量以及价格进行拟合，得到系统性风险发生前交易量和价格的关系;其次，将标准化的数据以周、月为单位进行合并创造出新的具有统计意义的K线数据K1，并对K线数据K1进行拟合，得到早于原始数据价格见顶的K线数据K2;第三，本文又进一步根据K线数据K1和K2创造出12个特征，并使用SVR和Liner Regression方法对特征数据进行拟合，获得可以预测未来一年价格增长率的线性拟合函数。
　　通过真实的股票数据验证表明，这三方面的工作都是有效的，且有助于帮助广大投资者了解股票市场的变化情况，本文的工作对于预测和防范股票市场的系统性风险也提供了一种可行的方法。

目录

声明

摘要

第一章 绪论

1．1 课题的研究背景及意义

1．1．1 课题的研究背景

1．1．2 课题的研究意义

1．2 国内外研究及发展现状

1．2．1 经济学角度国内外研究现状

1．2．2 机器学习方向国内外研究现状

1．3 存在问题与发展趋势

1．4 本文的主要工作及组织结构

1．4．1 本文的主要工作

1．4．2 本文的组织结构

第二章 基础知识及数据准备

2．1 股票及股票市场

2．2 股票市场系统性风险及其特点

2．3 股票价格指数

2．4 分布式开源平台Hadoop

2．5 开源HTML解析器Jsoup

2．6 数据获取

2．6．1 使用jsoup工具包获取股票价格指数数据

2．6．2 获取每日历史交易数据

2．6．3 数据格式

2．6．4 数据示例

2．7 数据标准化

2．7．1 计算每日综合价格

2．7．2 计算每日综合成交量

2．8 成交额综合指数

2．8．1 成交额综合指数的计算方法

2．8．2 成交额综合指数的有效性验证

2．9 时间属性

2．10 本章小结

第三章 所需成交量-综合价格拟合

3．1 综合价格上升期间的所需成交量

3．1．1 数据准备

3．1．2 计算方法

3．1．3 计算结果

3．2 所需成交量-综合价格拟合

3．2．1 拟合方法

3．2．2 拟合结果分析

3．3 本章小结

第四章 K线数据拟合

4．1 K线数据K1

4．1．1 数据示例

4．2 K线数据K2

4．2．1 数据示例

4．3 K线数据分析

4．4 本章小结

第五章 未来一年价格增长率的拟合

5．1 SVR和Linear Regression介绍

5．2 交叉验证

5．3 特征选取及标签

5．3．1 特征

5．3．2 标签

5．3．3 数据示例

5．4 拟合结果

5．5 本章小结

第六章 总结与展望

6．1 总结

6．2 下一步的工作

参考文献

发表论文和参加科研情况

附录

致谢