基于分层市值法、SVM、IWO指数复制方法的实证研究——以沪深300和中证500为例

摘要

由于绝大多数主动型投资基金无法实现超过基准指数的投资收益，且被动型投资基金具有较低的管理费用与成本，所以，被动型投资基金或许是一个很好的投资选择。一般来说，被动型投资基金的目标是跟踪一个基准指数，其跟踪效果是基金好坏的衡量标准。对于被动型投资资金的基金经理来说，如何在保证跟踪效果的基础上使用更低的成本构建投资组合，是一个关键问题。
　　本文使用三种不同的算法来构建复制组合，并比较不同算法下指数的跟踪效果。第一种方法为分层市值法，该方法根据股票的市值大小来进行选股。第二种方法为基于支持向量机的方法，这是一种机器学习的方法，该方法通过一些指标或因子对股票进行分类。第三种方法为IWO(Invasive Weed Optimization)算法，该方法是一个随机搜索算法。
　　除此之外，本文尝试使用高频数据。使用高频数据主要有三个优点。第一，高频数据能够增大优化计算时的数据量，避免部分离群值对优化结果的影响。第二，短期高频数据具有足够大的数据量，从而可以增大股票备选池。第三，使用高频数据能够考虑更多短期的动量因素。
　　本文以沪深300和中证500作为研究对象，通过使用跟踪误差和平均换手率作为算法优劣的衡量指标，本文认为，在沪深300指数复制中，应该选择分层市值法;在中证500指数复制中，应该选择SVM方法。

目录

声明

摘要

第一章 引言及文献综述

1．1 引言

1．2 文献综述

1．3 研究特色

第二章 研究方法

2．1 分层市值法

2．1．1 方法描述

2．1．2 具体步骤

2．2 基于支持向量机(SVM)的方法

2．2．1 方法描述

2．2．2 具体步骤

2．3．1 方法描述

2．3．2 具体步骤

第三章 实证研究

3．1 数据描述

3．2 调试参数与实证结果统计量设定

3．3 分层市值法实证

3．3．1 分层市值法参数设置

3．3．2 分层市值法实证结果

3．3．3 分层市值法实证结果分析

3．4 SVM方法实证

3．4．1 SVM方法参数设置

3．4．2 SVM方法实证结果

3．4．3 SVM方法实证分析

3．5 IWO方法实证

3．5．1 IWO方法参数设置

3．5．2 实证结果

3．5．3 IWO方法实证分析

3．6 不同优化方法之间统计量的比较

3．7 优化方法优缺点分析

3．8 优化方法选择

第四章 结论

4．1 研究结论

4．2 研究不足

参考文献

附录

致谢

个人简历 在读期间发表的学术论文与研究成果