基于PCA-SVM模型的量化择时研究
| 内容摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 导论 | 第9-16页 |
| ·研究背景及意义 | 第9-10页 |
| ·研究背景 | 第9-10页 |
| ·研究意义 | 第10页 |
| ·国内外相关研究综述 | 第10-13页 |
| ·国内市场有效性的研究现状 | 第11页 |
| ·数据挖掘技术在金融市场中的运用 | 第11-12页 |
| ·支持向量机在金融数据挖掘中的研究现状 | 第12-13页 |
| ·本文的研究内容和框架结构 | 第13-14页 |
| ·本文的研究方法和创新点 | 第14-16页 |
| ·研究方法 | 第15页 |
| ·本文创新点 | 第15-16页 |
| 第2章 基于支持向量机的量化择时理论框架 | 第16-31页 |
| ·量化择时理论 | 第16-19页 |
| ·市场有效性理论 | 第19-21页 |
| ·有效市场理论 | 第19-20页 |
| ·ADF单位根检验法 | 第20-21页 |
| ·技术指标选择理论 | 第21-25页 |
| ·技术指标的选择原则 | 第21-22页 |
| ·主要技术指标及其应用 | 第22-25页 |
| ·统计学习理论 | 第25-26页 |
| ·支持向量机理论 | 第26-31页 |
| ·线性分类器 | 第27-29页 |
| ·SVM非线性分类方法 | 第29-31页 |
| 第3章 基于PCA-SVM模型量化择时策略的构建 | 第31-39页 |
| ·模型策略构建的思路 | 第31-33页 |
| ·主成分分析法(PCA) | 第33-36页 |
| ·网格搜索法下的参数寻优 | 第36-39页 |
| 第4章 PCA-SVM模型在量化择时中的实证检验 | 第39-49页 |
| ·数据检验和数据预处理 | 第39-43页 |
| ·运用ADF单位根法检验数据市场有效性 | 第39-40页 |
| ·主成分分析(PCA)处理 | 第40-43页 |
| ·模型的实证分析 | 第43-47页 |
| ·PCA-SVM模型的结果 | 第43-44页 |
| ·BP神经网络的预测结果 | 第44-47页 |
| ·模型下沪深300指数择时策略分析 | 第47-49页 |
| 第5章 结论与建议 | 第49-52页 |
| ·基于SVM模型的择时策略具备较高推广能力 | 第49页 |
| ·PCA能够降低数据维度,后期研究需关注数据噪声 | 第49-50页 |
| ·运用网格搜索法对模型参数寻优能够提高策略收益率 | 第50-51页 |
| ·未来研究展望 | 第51-52页 |
| 参考文献 | 第52-54页 |
| 后记 | 第54页 |
