量化金融论文提纲

论文题目：基于机器学习的金融数据量化分析方法研究

摘要：随着互联网的发展以及人工智能的的不断创新,基于机器学习的量化分析方法对金融数据的研究也随之兴起。针对金融数据的量化分析方法是一种利用计算机分析金融数据,从而对证券市场的波动方向进行预测来获取超额收益的方法。机器学习已成为了量化分析方法中的重要手段,并已展现出比传统量化分析方法更好的性能,通过基于机器学习的量化分析方法对金融数据进行分析投资,具有客观性、准确性等传统投资方式不具备的优势,从而被广大投资者和金融机构所使用。本文基于国内的金融数据进行量化分析,并对机器学习在量化分析方法中的相关应用进行了研究。由于证券市场中的数据具有公开、多维、时效等特点,本文选用证券金融数据作为量化分析方法研究的实验场景,通过将Adaboost算法与支持向量机结合,构建出一种基于SVM＿Adaboost算法的量化分析模型。首先,本文使用该量化分析模型对证券数据进行分析,使用皮尔逊相关系数以及Adaboost算法筛选出了与涨跌概率最为相关的若干特征,构建出最优特征因子集,从而提高模型的准确率并降低模型的复杂度;然后,使用基于SVM＿Adaboost算法的分析模型对股票涨跌预测进行优化,提高了模型预测准确率;最后,本文设计了投资策略优化模块,等权重资产配置在获取收益的同时往往伴随着高风险,因此,本文通过风险平价策略来提高降低模型的风险,并使用股票涨跌预测结果对资产进行配比,从而提高投资组合的收益能力以及抗风险能力。通过文本情感分析方法对财经新闻进行情感分类,使用情感分类器构造出一个新的特征因子—情感因子,将其加入特征因子集中对量化分析模型进行指导,以进一步提高模型的预测精度。根据本文的研究以及实验结果表明,使用皮尔逊系数的特征筛选方法提高了量化分析模型的预测精度,且情感因子的引入进一步提高了量化分析模型对金融数据的分类精度。本文基于SVM＿Adaboost算法构建的量化分析模型实现了对股票金融市场波动的高精度预测,并通过风险平价策略优化模型达到了更好的抗风险能力和更高的收益能力。本文构建出的模型总收益高出基准收益近130%,且在抗风险能力评估方面,拥有较低的最大回撤率为8.20%以及较高的信息比率。

关键词：量化分析;金融数据;SVM;Adaboost

学科专业：工程硕士（专业学位）

摘要

abstract

第一章 绪论

1.1 研究背景及意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究历史及现状

1.2.1 国外发展现状

1.2.2 国内发展现状

1.3 本文研究内容及创新

1.4 本文章节安排

第二章 量化分析方法研究

2.1 量化分析理论研究

2.1.1 有效市场假说

2.1.2 量化分析特点

2.1.3 机器学习在量化分析方法中的应用

2.2 决策树模型

2.3 AdaBoost算法

2.4 支持向量机模型

2.4.1 SVM算法原理

2.4.2 对偶问题

2.4.3 核函数

2.4.4 软间隔与正则化

2.5 本章小结

第三章 最优特征因子集构建

3.1 模型构建框架

3.2 金融数据库构建

3.2.1 金融数据获取

3.2.2 缺失值处理

3.2.3 数据标准化

3.3 特征因子筛选

3.3.1 皮尔逊相关系数

3.3.2 特征因子集构建

3.4 基于文本分析的情感因子构建

3.4.1 特征因子集优化分析

3.4.2 文本情感分析

3.4.3 情感因子生成

3.5 本章总结

第四章 量化分析模型构建

4.1 Adaboost模型分析

4.2 SVM_Adaboost量化分析模型构建

4.2.1 Adaboost模型

4.2.2 SVM_Adaboost量化分析模型构建

4.3 SVM_Adaboost量化分析模型优化研究

4.3.1 主成分分析

4.3.2 滑动窗口验证

4.4 模型训练及回测

4.4.1 模型训练

4.4.2 投资策略构建及回测

4.5 模型抗风险能力优化

4.6 仿真评价分析

4.6.1 模型评价指标

4.6.2 结果分析

4.7 本章小结

第五章 SVM_Adaboost量化分析模型测试

5.1 模型架构

5.2 实验环境搭建

5.3 模型参数设置

5.4 实验结果对比

5.4.1 机器学习指标评估

5.4.2 金融指标评估

5.5 本章小结

第六章 总结与展望

6.1 工作总结

6.2 未来研究方向

致谢

参考文献