本文關鍵詞：基于雙聚類的多周期投資交易規(guī)則挖掘，由筆耕文化傳播整理發(fā)布。

【摘要】：股票分析和預測對上市公司和投資者都具有重大的現實意義。技術分析利用基于對股票交易歷史數據計算的規(guī)則來預測股票價格的未來變動趨勢。一個技術指標也就是規(guī)定了一個技術交易規(guī)則,早期針對技術指標分析的研究通常只關注一個或幾個交易規(guī)則中的若干參數來幫助決策,近期的理論與研究表明,采用技術規(guī)則的組合投資往往能獲得比單獨地采用每一個交易規(guī)則獲得更高的超額收益。投資組合選擇是現代金融決策理論的基石,目前對分散風險理論的研究大多集中在多種資產的投資組合上,有關投資組合問題的研究成果均是停留在單周期投資,并沒有根據市場變化調整投資周期。盡管對單期投資組合以及多期投資組合問題的研究已經取得了一定的成效,然而有關多周期(長、中、短周期)投資組合優(yōu)化問題的研究剛剛起步,尚處于探索階段。鑒于以上事實,本研究將技術規(guī)則全集擴大到多種不同時間參數下的技術指標交易規(guī)則,加入各種規(guī)則組合的復雜交易策略,以技術分析和數據挖掘相關技術為基礎構建基于雙聚類技術的交易規(guī)則挖掘模型。并從另一角度剖析風險分散理論,研究多周期投資組合問題,量化多周期投資組合過程中各個周期投資的資金配置比例。本文對基于雙聚類的多周期投資交易規(guī)則挖掘問題進行研究,具體研究工作如下:(1)對股票分析研究內容和股票分析技術進行了系統(tǒng)詳細的概述。(2)以技術分析和數據挖掘技術為基礎構建基于雙聚類技術的交易規(guī)則挖掘算法和模型。(3)運用嵌套的粒子群算法優(yōu)化模型參數和多周期投資組合的資金配置。(4)通過比較本文算法(BIC-NPSO)和其他四個算法以及傳統(tǒng)的買賣持有策略(Buy-and-Hold,BAH)運用于相同資產對象的時候所獲得的期望收益率均值,本文算法的有效性和優(yōu)越性被不同真實股票數據所證實。本文主要創(chuàng)新點在于:(1)首次將雙聚類算法應用到金融交易系統(tǒng)設計中,通過設計高效的列一致雙聚類挖掘算法找到金融價格變動過程中技術指標聯動的局部一致性模式,獲得交易信號,利用KNN分類算法對交易信號進行分類,進而得到性能改善的智能交易系統(tǒng),并通過實證研究得到了算法和模型有效性的有力證據。(2)探討并研究了多周期投資組合的問題。傳統(tǒng)的大多數投資組合優(yōu)化模型都是研究對投資組合選擇進行優(yōu)化的問題。一般都是基于單期投資或連續(xù)多期投資,并沒有考慮隨市場變化調整投資策略的問題,而有關多周期(長、中、短周期)投資組合優(yōu)化問題的研究剛剛起步,尚處于探索階段。本文從另一角度剖析風險分散理論,研究多周期投資組合問題,量化多周期投資組合過程中各個周期投資的資金配置比例,以根據股價的變動調整投資時機,達到避免高風險同時獲取高收益的目的。(3)提出一個兩層嵌套的粒子群優(yōu)化算法。本文研究運用兩層嵌套的粒子群優(yōu)化算法,基于收益率最大化目標函數,同時優(yōu)化模型中參數和多周期投資組合的資金配置,即外層粒子群算法優(yōu)化改進雙聚類算法中的兩個閾值參數,內層粒子群算法優(yōu)化多周期(長、中、短周期)投資組合的資金配置比例。(4)本文構建的模型是一個擴展性良好的框架。本文構建的模型具有很好的拓展性,易擴展至更多種類的技術指標、不同的指標參數以及不同周期投資長度,這使得本文的模型對于廣大投資者來說非常具有靈活性和通用性。
【關鍵詞】：雙聚類 粒子群算法 多周期投資組合 交易規(guī)則 技術分析
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：F830.91;TP311.13
【目錄】：

• 摘要5-7
• Abatract7-12
• 第一章 緒論12-20
• 1.1 研究背景和意義12-13
• 1.2 國內外研究現狀13-17
• 1.2.1 股票分析方法研究現狀13-16
• 1.2.2 多周期投資組合研究現狀16-17
• 1.3 本文的工作概要和內容安排17-20
• 1.3.1 主要工作及本文創(chuàng)新之處17-18
• 1.3.2 本文主要創(chuàng)新點18-19
• 1.3.3 本文章節(jié)安排19-20
• 第二章 股票研究內容與股票分析技術20-31
• 2.1 股票分析研究內容20-23
• 2.1.1 股票及股市概述20
• 2.1.2 股票指數20-21
• 2.1.3 股票預測變量及相關術語21-22
• 2.1.4 股票投資三要素22-23
• 2.2 股票分析研究方法23-30
• 2.2.1 引言23-24
• 2.2.2 傳統(tǒng)股票分析方法24-29
• 2.2.3 基于數據挖掘技術的股票分析方法29-30
• 2.3 本章小結30-31
• 第三章 基于雙聚類的交易規(guī)則挖掘31-56
• 3.1 聚類分析32-36
• 3.1.1 聚類分析的定義32-33
• 3.1.2 聚類分析中的數據類型33-34
• 3.1.4 凝聚層次聚類34-36
• 3.2 雙聚類概述36-41
• 3.2.1 雙聚類算法產生背景36-37
• 3.2.2 雙聚類算法研究現狀37-38
• 3.2.3 雙聚類定義38-39
• 3.2.4 雙聚類類型39-40
• 3.2.5 Cheng-Church雙聚類算法40-41
• 3.3 基于雙聚類的交易規(guī)則挖掘41-55
• 3.3.1 技術指標矩陣構建41-49
• 3.3.2 基于雙聚類的交易模式挖掘49-51
• 3.3.3 基于支持度方法的交易模式分類51-52
• 3.3.4 基于K近鄰的交易行為確定52-55
• 3.4 本章小結55-56
• 第四章 基于嵌套粒子群優(yōu)化的多周期投資交易規(guī)則56-67
• 4.1 最優(yōu)化問題概述57
• 4.2 最優(yōu)化問題的數學描述57
• 4.3 粒子群優(yōu)化算法57-62
• 4.3.1 粒子群優(yōu)化算法原理58-60
• 4.3.3 粒子群優(yōu)化算法流程60-61
• 4.3.4 粒子群優(yōu)化算法參數分析61-62
• 4.4 基于嵌套粒子群優(yōu)化的多周期投資交易規(guī)則挖掘62-66
• 4.4.1 NPSO算法概述63
• 4.4.2 NPSO的目標函數63-64
• 4.4.3 NPSO的流程64-66
• 4.5 本章小結66-67
• 第五章 實證分析67-88
• 5.1 概述67-68
• 5.2 實驗平臺描述68
• 5.3 實驗數據68-71
• 5.3.1 實驗一數據69
• 5.3.2 實驗二數據69-71
• 5.4 實驗參數設置71-72
• 5.5 實驗結果評價方法72-73
• 5.6 實驗結果與分析73-87
• 5.6.1 實驗一結果與分析74-75
• 5.6.2 實驗二結果與分析75-87
• 5.7 本章小結87-88
• 總結和展望88-90
• 本文工作總結88-89
• 工作展望89-90
• 參考文獻90-97
• 附錄97-107
• 攻讀碩士學位期間取得的研究成果107-108
• 致謝108-110
• 附件110

【參考文獻】

中國期刊全文數據庫 前2條

1 田雨波;朱人杰;薛權祥;;粒子群優(yōu)化算法中慣性權重的研究進展[J];計算機工程與應用;2008年23期

2 譚華;謝赤;羅長青;江洲;;基于模糊粗糙集挖掘方法的證券價格預測研究[J];運籌與管理;2008年04期

  本文關鍵詞：基于雙聚類的多周期投資交易規(guī)則挖掘，由筆耕文化傳播整理發(fā)布。

，

本文編號：295870