双融合模型在香港股市的波动率量化交易策略研究

在金融市场中,波动率反映了资产价格的不稳定性和风险程度。波动率量化交易策略是一种利用波动率来指引投资者进行交易的方法,并能够带来一定的收益。本文的目的是探讨时间序列模型和机器学习模型相结合的双融合模型在波动率量化交易策略中的应用,以提升策略的效果和稳健性。我们采用了3种时间序列模型Generalized Autoregressive Conditional Heteroskedasticity (GARCH)、Glosten Jagannathan Runkle GARCH (GJR-GARCH)和Exponential GARCH (EGARCH),以及4种传统机器学习模型Random Forest (RF)、Adaboost (ADA)、Gradient Boosting Decision Tree (GBDT)和Histogram Based Gradient Boosting (Hist-GB),组合成了12种双融合模型对波动率进行预测。同时,我们进行了模拟交易的回测实验,以评估该波动率量化交易策略的性能。该策略在香港市场中的股票都获得了较好的收益,为投资者提供了有价值的参考。

基于信号分解和机器学习模型的股票价格预测

随着全球经济的发展,人们对投资不同领域的标的资产表现出了浓厚兴趣,其中,投资股市是最受所有投资者欢迎的方式之一。为了获得额外的收益,投资者尝试使用不同的数学和统计方法来预测他们关注的股票的趋势或价格。在这项研究中,为了提高股票预测的效果,我们首先使用不同的信号分解方法,如经验模式分解(EMD)、集合经验模式分解(EEMD)和完全自适应噪声集合经验模态分解(CEEMDAN)来减少原始股票价格数据的噪声部分。以信号数据作为机器学习模型的输入,我们能够根据现有金融市场的股票交易数据,通过滑动窗口法对过去几年的股票价格进行预测。最后的结果表明,模型在预测不同信号分解的时间序列时有良好的表现。

基于机器学习的共享单车需求预测

随着中国城市的发展,共享经济的概念已经逐渐融入人们的生活。共享单车、共享汽车、共享充电宝等新事物正在不断地改变着大家的生活习惯。摩拜单车、美团单车等知名共享单车企业成立以来,已经成为绿色出行、健康环保的代表。然而,共享单车的过度投放、安全隐患、管理混乱等问题也引起了共享单车管理者的关注,同时影响了各共享公司的运营和盈利。本研究根据实时收集到的时间、季节、天气、温度、湿度、风速等数据;构造更加符合共享单车使用场景的离散型变量,并将数据输入到不同的机器学习和深度学习模型,达到准确预测城市中的共享单车需求的目的。通过比较Rsquare、MSE、RMSE等指标来评估所有模型的预测效果。基于模型得出的结果,共享单车管理者能够合理投放相应数量的共享单车,达到减少浪费的目的。

基于改进LRFMC模型的航空公司客户分类

随着人们生活水平的提高,越来越多的人会选择飞机交通工具出行。对于同一个航线,人们可以从多个航空公司的航班之间进行选择,这一行为使得各个航空公司的竞争不断加剧。如何保留住老客户的同时,还增加新客户的数量成为了各个航空公司需要解决的问题,客户关系管理是其基础任务。客户关系管理首先需要将客户根据不同特性划分成多个类别。本研究将基于国内某航空公司客户的数据对LRFMC模型进行调整和改进。为了达到降低LRFMC模型中指标的共线性和完善的目的,将原模型中的飞行总公里数这一指标替换成平均每次飞行公里数并增加每公里机票票价构建新模型。使用层次分析法计算新模型中各指标的权重,最后通过K-Means算法对客户数据进行分类。根据分类的结果,航空公司通过对不同价值的客户采取不同的方式和策略来提高其公司的收益。