本文關(guān)鍵詞：基于小波變換—機器學(xué)習(xí)算法的有效投資組合構(gòu)建，，由筆耕文化傳播整理發(fā)布。

【摘要】：股票市場,作為金融市場的重要組成部分,具有進入門檻低,資產(chǎn)流動性高等特點,在我國實行市場經(jīng)濟的今天,受到了越來越多民眾的關(guān)注,成為他們的主要投資渠道。然而,與國外健全的股票市場相比,我國市場的參與者中,散戶占比較大。由于散戶可操作資金及操作方式較少,同時非理性行為較大,因此在我國股市的發(fā)展中,機構(gòu)投資者的比重應(yīng)該越來越大。機構(gòu)投資者有著從業(yè)人員素質(zhì)高、資金量大、操作方式多等優(yōu)勢,但為了吸引投資者的資金,必須建立一套完善的投資組合建立方法。總體來說,投資組合的優(yōu)勢在于,能夠通過分散化投資以降低非系統(tǒng)風(fēng)險。同時,通過一套完善的選股規(guī)則,投資組合內(nèi)股票收益應(yīng)總體高于大盤指數(shù),從而獲得超額收益。因此,機構(gòu)投資者設(shè)計的投資組合必須滿足兩個特點：一、穩(wěn)健性——投資組合價值不能較大盤指數(shù)偏離過大,否則風(fēng)險難以控制；二、收益性——投資組合不能簡單地復(fù)制大盤指數(shù),還應(yīng)該獲得超額收益,這才能體現(xiàn)投資組合的價值。綜上所述,建立一個能夠保持穩(wěn)健而又能獲得超額收益的投資組合就顯得尤為重要,而要達到這個目標,就必須對股票市場中的歷史數(shù)據(jù)進行分析。在現(xiàn)階段的學(xué)術(shù)界,研究者們越來越青睞使用機器學(xué)習(xí)方法對金融市場歷史數(shù)據(jù)進行處理、分析及預(yù)測。這是因為,機器學(xué)習(xí)方法具有自適應(yīng)性、泛化性強,不需要數(shù)據(jù)的前提分布假設(shè)等特點,適合于運用在金融數(shù)據(jù)分析中。一些傳統(tǒng)的機器學(xué)習(xí)模型,如支持向量機、神經(jīng)網(wǎng)絡(luò)等,及其相關(guān)的改進模型,被廣泛運用在了金融時間序列分析中。然而,這些模型的不足之處在于,雖然其預(yù)測準確率較高,但因為一次只能對一個序列做分析預(yù)測,因此模型效率并不高。另一方面,因為金融數(shù)據(jù)的噪聲含量較大,如果直接使用,并不能得到理想效果。雖然已有學(xué)者使用小波分析的方法對金融序列進行分解與去噪,但他們在運用小波時,大多借鑒了來自其運用于工程方面的經(jīng)驗,而忽略了金融序列的特點和預(yù)測去噪需求。因此,本文要解決的主要問題是,為組成一個具有穩(wěn)健性、收益性的投資組合,必須建立一種在保證預(yù)測精度的前提下,預(yù)測效率更高的機器學(xué)習(xí)模型,以對大量的股票歷史數(shù)據(jù)進行分析與預(yù)測。在此基礎(chǔ)上,針對股票序列的特點：包含大量噪聲,但本身具有一定的波動性。因此,本文希望找到一個更加適用于金融序列的小波去噪方法,以在盡可能去除原始序列噪聲的情況下,保留自身含有信息的波動。為了解決上面提出的問題,本文嘗試使用本來大量應(yīng)用于推薦系統(tǒng)的矩陣分解方法來對整個價格/收益率-時間矩陣做特征提取及預(yù)測,將分析對象從向量轉(zhuǎn)化為矩陣,應(yīng)該能提升模型的效率。同時,在模型輸入數(shù)據(jù)的處理方面,本文嘗試利用更加溫和的小波去噪方法對原始數(shù)據(jù)進行處理與去噪。在具體的實證分析中,本文先利用了矩陣分解的方法對原始股票序列對數(shù)收益率做出預(yù)測,并根據(jù)每一持股周期的預(yù)測收益率大小排序,進而選出股票構(gòu)建投資組合,并嘗試尋找投資組合最優(yōu)參數(shù)。其次,因為在上一過程中投資組合的價值與收益率可能無法優(yōu)于指數(shù),因此利用小波分析的方法,對原始股票序列進行了去噪處理。最后,利用去噪序列產(chǎn)生的對數(shù)收益率進行預(yù)測并建立投資組合,投資組合的效果有了明顯的提升,說明矩陣分解預(yù)測方法是有效的方法,同時小波消噪技術(shù)能夠提高預(yù)測精度。通過實證分析,本文確定了全局閾值小波去噪方法為最優(yōu)去噪方法,持股周期T=20與股票數(shù)量N=20為投資組合最優(yōu)參數(shù)。同時,本文的預(yù)測、去噪模型及投資組合有著以下特點：一、模型總體狀況良好,投資組合價值比較穩(wěn)定,組合收益在大多數(shù)時間中優(yōu)于大盤指數(shù),而發(fā)生虧損時也不會發(fā)生較大偏移。二、因為預(yù)測模型的優(yōu)點在于抓住序列的趨勢,因此當大盤指數(shù)發(fā)生大漲、大跌時,投資組合效果更好,組合價值通常高于指數(shù)價值。三、全局閾值小波去噪方法比較溫和,在大盤指數(shù)波動性較大時能良好濾去噪聲并保留有效波動；而當指數(shù)較平穩(wěn)時,小波去噪可能對原始序列濾去了更多的有效波動,因此對提升投資組合價值的作用并不大。四、投資組合策略對趨勢變換、反轉(zhuǎn)的反應(yīng)與追蹤較慢。這可能會使投資組合錯失指數(shù)由跌轉(zhuǎn)漲時的部分收益,但也可能規(guī)避泡沫破滅下降時的部分風(fēng)險。本文的創(chuàng)新點在于,首先,利用了多維預(yù)測的矩陣分解技術(shù)對眾多股票的收益率-時間矩陣進行處理,預(yù)測出各股票在下一持股周期的收益率,有效地提升了機器學(xué)習(xí)在股票市場預(yù)測方面的效率。其次,本文不對股票池中股票進行選取,而僅僅將全部A股股票去除臟數(shù)據(jù)后的股票都放入股票池中,以體現(xiàn)模型的高效性。最后,本文不同于其它文獻中對原始序列進行小波分解后將高頻、低頻序列同時預(yù)測的做法,而是考慮合理降低小波系數(shù)以達到去噪平滑的效果。
【關(guān)鍵詞】：投資組合建立 大盤指數(shù)追蹤 高效預(yù)測模型 矩陣分解模型 小波分解去噪
【學(xué)位授予單位】：西南財經(jīng)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：F224;F832.51
【目錄】：

• 摘要4-7
• Abstract7-13
• 1 緒論13-25
• 1.1 研究背景與意義13-15
• 1.2 文獻綜述15-21
• 1.2.1 投資組合相關(guān)研究15-17
• 1.2.2 機器學(xué)習(xí)在金融預(yù)測中的相關(guān)研究17-19
• 1.2.3 小波分析方法在金融預(yù)測中的相關(guān)研究19-21
• 1.3 主要研究工作及創(chuàng)新點21-22
• 1.4 本文內(nèi)容安排22-25
• 1.4.1 本文主要研究內(nèi)容22
• 1.4.2 各章節(jié)內(nèi)容安排22-25
• 2 模型理論探討25-34
• 2.1 推薦系統(tǒng)中的矩陣分解模型25-29
• 2.1.1 原始的矩陣分解模型25-27
• 2.1.2 改進的矩陣分解模型27-28
• 2.1.3 將矩陣分解模型推廣于金融時間序列預(yù)測28-29
• 2.2 小波分析29-34
• 2.2.1 小波變換定義30-31
• 2.2.2 小波去噪31-34
• 3 基于原始股票價格的投資組合建立34-49
• 3.1 數(shù)據(jù)說明34
• 3.2 投資組合建立方法34-39
• 3.2.1 主要參數(shù)說明34-36
• 3.2.2 預(yù)測模型與投資組合建立思路36-37
• 3.2.3 投資組合驗證方法與驗證時間段選取37-39
• 3.3 基于原始股票價格序列的投資組合建立39-49
• 3.3.1 對于時間段Ⅰ中投資組合建立的嘗試39-42
• 3.3.2 對于時間段Ⅱ中投資組合建立的嘗試42-45
• 3.3.3 對于時間段Ⅲ中投資組合建立的嘗試45-47
• 3.3.4 模型探索小結(jié)47-49
• 4 股票價格序列小波去噪探究49-60
• 4.1 小波去噪理論在實證中的運用49-50
• 4.1.1 股票價格序列小波去噪的必要性49-50
• 4.1.2 一維時間序列小波去噪的步驟與性質(zhì)50
• 4.2 小波分析用于股票價格序列去噪的效果評價方法50-52
• 4.3 小波分析用于股票價格序列去噪的運用探索52-58
• 4.3.1 抑制細節(jié)系數(shù)去噪法介紹與運用52-54
• 4.3.2 閾值去噪法介紹54-55
• 4.3.3 閾值去噪法運用55-58
• 4.4 股票價格序列小波去噪方法總結(jié)58-60
• 5 基于小波去噪序列的投資組合建立60-74
• 5.1 驗證期內(nèi)基于小波去噪股票價格的投資組合建立61-69
• 5.1.1 時間段Ⅰ中投資組合的建立61-63
• 5.1.2 時間段Ⅱ中投資組合的建立63-66
• 5.1.3 時間段Ⅲ中投資組合的建立66-68
• 5.1.4 驗證期內(nèi)基于小波去噪股票價格序列投資組合建立小結(jié)68-69
• 5.2 全時間段內(nèi)最優(yōu)參數(shù)投資組合建立69-74
• 5.2.1 全時間段內(nèi)最優(yōu)參數(shù)投資組合建立初探69-71
• 5.2.2 全時間段內(nèi)最優(yōu)投資組合的評價71-72
• 5.2.3 全時間段內(nèi)最優(yōu)投資組合建立小結(jié)72-74
• 6 總結(jié)與展望74-77
• 6.1 文章總結(jié)74-75
• 6.1.1 文章工作內(nèi)容總結(jié)74-75
• 6.1.2 文章實證研究結(jié)果總結(jié)75
• 6.2 模型改進方向75-77
• 參考文獻77-81
• 附錄81-97
• 致謝97

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 翁晟;;指基悄然漲價[J];大眾理財顧問;2010年04期

2 高子劍;胡卓文;;多方虛心 不是信心[J];股市動態(tài)分析;2010年44期

3 臥龍;;超級大盤指數(shù)未來的命運[J];股市動態(tài)分析;2013年27期

4 鄧亮;;2900點“牛尾巴”值得一啃[J];股市動態(tài)分析;2010年06期

5 劉建林;楊揚;;波浪數(shù)決定勝負[J];新經(jīng)濟;2011年05期

6 李滄;;你的“心態(tài)”練成了嗎?[J];科學(xué)生活;2008年05期

7 趙迪;;超大盤指數(shù):搭乘指數(shù)基金順風(fēng)車的投資組合[J];股市動態(tài)分析;2009年31期

8 葉弘;;“龜市”守望[J];金融博覽(財富);2011年05期

9 茍瑩;孫英雋;;我國分級基金價格、凈值和大盤指數(shù)的實證分析[J];中國集體經(jīng)濟;2013年15期

10 胡飛雪;;不必問大盤指數(shù)會漲到什么點位[J];股市動態(tài)分析;2013年42期

中國重要報紙全文數(shù)據(jù)庫 前10條

1 記者 周科競;上交所推出超大盤指數(shù)[N];北京商報;2009年

2 周松林;上證超級大盤指數(shù)23日發(fā)布[N];中國證券報;2009年

3 李晶;藍籌股標桿：上證超級大盤指數(shù)23日發(fā)布[N];第一財經(jīng)日報;2009年

4 記者 張東風(fēng);中藥材行業(yè)大盤指數(shù)首次發(fā)布[N];中國中醫(yī)藥報;2010年

5 阿琪;大盤指數(shù)“俯臥撐” 主題投資“折返跑”[N];上海證券報;2013年

6 吳蔚;軟件生產(chǎn)力欲制定“大盤指數(shù)”[N];中國計算機報;2007年

7 高端私人醫(yī)生服務(wù)機構(gòu)頤年康盛創(chuàng)始人 宋海峰;托住世界杯健康指數(shù)[N];中國經(jīng)營報;2010年

8 證券時報記者 方麗;保險大舉買入大盤指數(shù)基金[N];證券時報;2010年

9 記者 潘圣韜;3月A股刮起“價值”風(fēng) 大盤指數(shù)大幅領(lǐng)跑[N];上海證券報;2011年

10 本報記者 屈紅燕;化工行業(yè)明年上半年將超越大盤指數(shù)[N];上海證券報;2007年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 劉俊鋒;基于小波變換—機器學(xué)習(xí)算法的有效投資組合構(gòu)建[D];西南財經(jīng)大學(xué);2016年

2 韓非;我國ETF績效評價實證分析[D];西南財經(jīng)大學(xué);2012年

  本文關(guān)鍵詞：基于小波變換—機器學(xué)習(xí)算法的有效投資組合構(gòu)建，由筆耕文化傳播整理發(fā)布。

本文編號：276535