核主成分遗传算法与SVR选股模型改进

被引：24

作者：

苏治 ^{[1
,2
]}

傅晓媛 ^{[2
]}

机构：

[1] 清华大学经济管理学院应用经济学金融系

[2] 中央财经大学统计学院

来源：

统计研究 | 2013年 / 30卷 / 05期

关键词：

核主成分分析; 遗传算法; KPCA-GA-SVR模型; 量化选股;

D O I：

10.19343/j.cnki.11-1302/c.2013.05.008

中图分类号：

F830.91 [证券市场]; F224 [经济数学方法];

学科分类号：

1201 ; 020204 ; 0701 ; 070104 ;

摘要：

量化选股一直是金融领域研究的热点。随着人工智能技术的空前发展,量化选股方法取得了很大进步。本文构建了基于核主成分遗传算法改进的支持向量回归机人工智能选股模型(KPCA-GA-SVR),并基于沪深股市股票基本面及交易数据,分别从短期和中长期对其选股性能和预测精度进行了实证分析。主要结论为:①遗传算法(GA)改进的SVR较传统模型预测精度更高,且避免了过度拟合;②与采用主成分降维技术的PCA-GA-SVR模型相比,基于核主成分特征提取的KPCA-GA-SVR模型,具有更好的模型稳健性及预测准确性;③中长期内该模型的预测误差随滑窗长度的增加有降低趋势,且一年期预测精度最高;短期内不同滑窗下,一周的预测效果最佳。本研究对个人投资者的投资决策及国家宏观监控股市动态变化都具积极意义。

引用

页码：54 / 62

页数：9

共 5 条

[1] PCA-GA-SVM模型的构建及应用研究——沪深300指数预测精度实证分析 [J].