支持向量机在CTA策略中的探索及应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 引言 | 第10-13页 |
| 1.1 选题的背景和意义 | 第10-11页 |
| 1.2 基本框架、研究方法以及创新之处 | 第11-13页 |
| 1.2.1 基本框架 | 第11页 |
| 1.2.2 研究方法 | 第11-12页 |
| 1.2.3 创新之处 | 第12-13页 |
| 第二章 国内外研究现状 | 第13-20页 |
| 2.1 金融时间序列分析法 | 第13-15页 |
| 2.2 神经网络模型 | 第15-17页 |
| 2.3 支持向量机 | 第17-20页 |
| 第三章 支持向量机 | 第20-27页 |
| 3.1 支持向量机分类的数学原理 | 第21-22页 |
| 3.2 支持向量回归机模型 | 第22-27页 |
| 3.2.1 结构风险最小化 | 第22-23页 |
| 3.2.2 ε-线性回归 | 第23页 |
| 3.2.3 惩罚项的确定 | 第23页 |
| 3.2.4 损失函数的确定 | 第23-24页 |
| 3.2.5 拉格朗日乘子法和KKT | 第24-25页 |
| 3.2.6 非线性回归 | 第25-27页 |
| 第四章 CTA策略 | 第27-34页 |
| 4.1 趋势策略 | 第27-32页 |
| 4.1.1 R-Breaker策略 | 第28-29页 |
| 4.1.2 双均线策略 | 第29页 |
| 4.1.3 布林通道策略 | 第29-31页 |
| 4.1.4 唐奇安趋势策略策略 | 第31-32页 |
| 4.2 套利策略 | 第32-34页 |
| 第五章 基于支持向量回归机的策略构建及实证研究 | 第34-53页 |
| 5.1 SVR在金融时间序列上的应用 | 第34-35页 |
| 5.2 投资组合 | 第35-36页 |
| 5.3 支持向量回归机与真实数据的拟合 | 第36-40页 |
| 5.4 国内商品期货组合 | 第40-47页 |
| 5.4.1 相关性分析 | 第40页 |
| 5.4.2 投资组合分析 | 第40-47页 |
| 5.5 国内指数期货组合 | 第47-53页 |
| 5.5.1 相关性分析 | 第47-48页 |
| 5.5.2 投资组合分析 | 第48-53页 |
| 第六章 结论 | 第53-54页 |
| 6.1 主要结论 | 第53页 |
| 6.2 不足之处和未来的改进方向 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59页 |
