论文部分内容阅读
股票价格受经济周期、金融政策、国际环境等因素的影响,所以股价的运动方向未知而复杂。投资者在股市交易中还会受到信息不对称、大客户操纵、盲目从众投资心态的干扰,因此探索一种预测股价走势的方法尤为重要。为了精准预测股价的走势,本文提出了PCA-SVM-GARCH模型。该模型在支持向量机模型(SVM)的基础上进行优化和改进,因此具有能够处理多维非线性数据的特点。在构建支持向量机模型时,将模型的预测效果作为衡量标准,可以筛选出支持向量机中最优的核函数。再通过交叉验证法对参数组合进行遍历搜索,继而确定最优的参数组合,从而实现预测股价的涨跌趋势和波动方向。PCA-SVM-GARCH借助主成分分析法(PCA)对输入变量进行降维处理,以消除变量间的多重共线性。通过广义自回归条件异方差模型(GARCH模型),使模型融合了股价的波动情况。因此PCA-SVM-GARCH模型较好的提高了SVM模型的整体性能。本文的研究标的从随机选择的个股(科大讯飞)推广到股指(沪深300),以模型预测的正确率和误差作为衡量标准,判别模型的优劣。实证分析发现PCA-SVM-GARCH模型的预测正确率和准确度均优于SVM模型、SVM-GARCH模型和PCA-SVM模型。本文针对新提出的模型进行了稳定性分析,考虑了研究对象、持仓时间、数据时间周期对模型的影响。仿真实验证明该模型的预测效果稳定,说明该模型具有普遍适用性、市场实用性和稳定可行性。该模型可以为众多投资者和市场监管者带来一定的指导方向和参考价值。