基于最小方差的股市拐点预测方法

预测股市拐点对指导股市投资具有重要意义,而股市拐点的预测是不平衡分类问题。针对SVM在解决此类不平衡问题时存在的偏斜性问题,提出了一种选取惩罚因子的方法。该方法以训练集交叉验证后所有类别样本的查全率与查准率的方差的乘积作为判断标准,将最小方差乘积对应的惩罚因子作为各类的最优惩罚因子,并将此Biased-SVM模型应用于股市拐点预测。在实验中,选取了常用股票技术指标作为输入向量,与其他几种解决不平衡问题的方法进行了比较。实验结果表明,最小方差法在保证非拐点的多数类样本识别精度的同时提高了两类拐点样本的识别精度,为投资决策提供了佐证与帮助。

基于机器学习的股市拐点影响因素研究

股票市场的成交情况可以充分反映投资者的行为特征并影响整个股市的走势。股票成交明细数据作为股市最底层的交易数据,能够全面地体现股票交易的情况,成为至关重要的股票市场走势判断的参考数据,能够为资本市场监管者在风险监测领域进行决策提供有效帮助。文中提出了一种可以快速地在海量股票交易明细数据中提取投资者交易特征的方法,然后基于逻辑回归、决策树和随机森林等机器学习算法找到股市大盘较大拐点产生的主要影响因素,并预测交易特征变量对股市较大拐点产生的时间范围。在沪深股指上进行的实验表明,相较于传统的模型,文中提出的方法可以将股市较大拐点预测的准确度提高约10%,并在6个月的回测实验中准确率依旧保持在70%左右的水准,从而证明了模型的有效性。

基于支持向量机算法的股市拐点预测分析

鉴于支持向量机方法在模式识别方面的优势和预测证券收益率方面的良好表现,将该方法应用于对股市拐点的预测可以实现量化择时,从而大幅提高对拐点预测的准确性。在模型中引入对A股市场具有重要影响力的货币供应因素之后,模型的稳健性进一步提高,并在模拟交易中表现良好。该方法对个人或机构投资者做出投资决策可以提供佐证与帮助。