基于支持向量机的沪深300指数预测研究

基于沪深300股指时间序列的特点,提出了一种基于主成分分析和支持向量机相结合的方法,将影响沪深300股指的各个因子通过主成分法进行信息的提取,然后用支持向量回归机进行学习预测.最后通过比较预测值与真实值,发现所预测的10个时段的收盘价均方误差为2.11617,且由预测值和真实值对比的条形图发现预测趋势基本准确,可见运用支持向量机对沪深300指数进行预测是可行的.     

沪深300指数影响因素分析

本文以世界经济、中国经济作为基本面,结合相关的经济指标,采用基本分析法,综合分析沪深300指数在2011年的走势,并对其在2011年下半年走势进行预测。     

基于ECM-GARCH 模型的沪深300指数期货套期保值策略的研究

首先选取沪深300指数日收盘价和沪深300股指期货日收盘价作为原始数据,对其进行描述性统计分析、平稳性检验及协整检验,得出两个日收盘价的对数收益率是平稳的,且两个收盘价之间是协整的.其次,巧妙运用普通最小二乘法、B-VAR、误差修正、GARCH(1,1)和ECM-GARCH模型,研究股指期货最优套期保值比率,得出ECM-GARCH模型最优.最后,分析沪深300股指期货套期保值策略的构建问题.运用动态调整法,从多头和空头套期保值策略进行分析,需要每天计算最优套期保值比率来确定最优股指期货合约份数.     

基于单月期限的沪深300ETF期权定价实证研究

针对在2019年12月份上市的沪深300ETF期权,收集其在2020年1～9月9个单月的市场真实交易数据,使用期权定价模型进行实证研究.借助经典B-S-M模型和考虑支付已知股息率B-S-M模型2种期权定价模型分别计算每个单月期限的沪深300ETF看涨看跌期权理论价,并与市场价综合比较后可知,支付已知股息率的B-S-M模...     

基于EGARCH-M模型的沪深300指数周末效应研究

将EGARCH模型和GARCH-M模型相结合,建立了基于学生t分布的EGARCH-M模型,在综合考虑沪深300指数收益率序列的波动性和杠杆效应等问题的基础上,分析了周末效应对沪深300指数收益率序列的影响程度。通过分析得出沪深300指数总体平稳并呈现ARCH效应,序列不仅具有波动性和杠杆效应,同时有显著的周二正效应,周四负效应,且周二、周四的超额收益率都包含了当天的风险补偿,周一、周三、周五则没有周末效应。     

股指期货对我国股票市场的影响——以沪深300股指期货为例

股指期货作为一种规避风险的金融衍生工具,是现货市场发展到一定阶段的产物。我国股权分置改革已基本完成,沪深300股指期货的推出必将对我国的股票市场产生重大的影响,从股指期货概述、沪深300股指期货对我国股票市场的影响、对策及建议等方面进行分析。     

沪深300股指期货流动性风险测度

运用BDSS模型对我国沪深300股指期货合约2010年6月1日至2012年4月23日的流动性风险进行实证检验,结果发现,收益率序列并不符合正态假定,具有尖峰厚尾特征;风险测度检验发现流动性风险占到总市场风险的一半以上,在忽略了流动性风险情况下,将会严重低估总体投资风险。     

沪深300股指期货与现货市场的价格关系研究

通过采用平稳性检验、构建误差修正模型、运用脉冲响应分析和方差分解方法,对已上市交易的沪深300股指期货和现货指数之间的引导关系进行了实证研究,结果表明：从长期来看,沪深300股指期货价格与指数现货价格之间存在稳定的协整均衡关系,且期货市场对长期均衡偏离的调整力度更迅速;从短期来看,股指期货市场和指数现货市场的价格之间存在正向的相互引导关系,股指期货市场对于一个标准差冲击的反应相较于指数现货市场更为强烈;从价格发现的方面来看,沪深300指数期货市场与指数现货市场之间存在双向价格发现的关系,但现货市场对期货市场的引导作用较高.     

沪深300股指期货对我国现货市场影响的实证分析

本文选取的沪深300数据来自于雅虎财经,沪深300股指期货于2010年4月16日上市交易,为观察股指期货对现货市场的影响,我们选取的数据为前后半年的数据,即2009年10月9号至2010年9月30号。     

沪深300股指期货对我国现货市场影响的实证分析

本文选取的沪深300数据来自于雅虎财经,沪深300股指期货于2010年4月16日上市交易,为观察股指期货对现货市场的影响,我们选取的数据为前后半年的数据,即2009年10月9号至2010年9月30号。     

废除上证综指，启用沪深300指数提高决策水平的可行性分析

科学的政策需要以科学的工具来实现,本文在全面总结上证综指以及沪深300指数的优点和弊端的基础上,进行了废除上证综指的编制,全面启用沪深300指数来提高我国宏观经济管理部门的决策的科学性的可行性分析。得出了可供我国政府进一步提高股票市场监管水平的政策建议。     

基于分层市值加权法的沪深300股票指数模拟组合构建

对市值加权法构建股票指数模拟组合时权重股的选取和分层市值加权法的基本步骤进行了分析,并根据行业分类,采用分层市值加权法构建了沪深300指数的模拟投资组合。     

沪深300指数期货最优套期保值比率的估计

针对即将推出的沪深300指数期货的套期保值策略,分别采用OLS模型、GARCH模型、ECM-GARCH模型计算最优套期保值率,比较套期保值的绩效,并尝试在计算中将基本的GARCH模型扩展,在GARCH模型族中选择最适合刻画沪深300指数波动特征的模型。结果表明,考虑了现货和期货价格序列协整关系的ECM-GARCH模型能够以更小的成本来避险,对投资者来说,不失为一种较好的选择。     

厚尾随机波动率模型下的沪深300股指期权定价分析

首先,对沪深300股指期权交易数据,采用马尔科夫链蒙特卡洛方法、吉布斯采样方法,利用Eviews软件、WinBUGS软件,进行该期权的定价模型选择和参数估计,并通过BUGS程序语言中的贝叶斯估计法,进行模型参数求解.其次,对该期权进行随机波动率模型及B-S模型的实证分析研究,进而通过分析套利空间、误差因素,得出厚尾随机波动率模型对该期权的定价更为准确合理.     

沪深300股指期货价格跳跃行为对现货价格及其波动性的影响

采集2010年4月16日至2011年12月23日期间沪深300指数每日收盘价和沪深300指数期货每日结算价等数据,运用GARCH（1,1）-ARJI模型扩展的GARCH（1,1）-M-ARJI模型,探讨了沪深300股指期货价格的跳跃行为对现货价格及其波动性的影响.研究发现,沪深300股指期货价格的跳跃行为具有价格发现功能,当期的期货价格跳跃行为显著地影响当期现货价格和现货价格的波动.     

基于价值投资的PCA-SVM股票选择模型研究

为了顺应股市价值回归趋势和引导理性投资,在价值投资理论指导下,采用PCA-SVM方法建立了基于价值投资的股票选择模型.根据股票的价值特征集,采用主成分分析方法实现对股票价值特征的提取.采用多组不同的训练样本对支持向量机进行训练,并对训练成功的支持向量机进行样本内和样本外测试.利用该股票选择模型对上证180指数的成分股票进行识别.结果证明PCA-SVM股票选择模型具有良好的选股能力.     

基于GA-SVM的股票投资价值评价研究

针对股票投资价值评价问题,依据模式识别的思想,采用GA-SVM方法建立股票投资价值评价模型。首先,综合考虑影响股票投资价值的多方面因素,采用主成分分析方法完成对股票投资价值特征的提取,然后将遗传算法与支持向量机相结合,通过实证方法建立股票投资价值评价模型。结果证明该模型具有良好的选股能力。     

基于P300的脑-机接口: 视觉刺激强度对性能的影响

脑-机接口(BCI)是大脑与外部世界直接的交流通道.为了研究视觉刺激强度对基于P300的脑-机接口性能的影响,设计并实现了一种基于5个选择oddball的P300诱发电位范式的脑-机接口系统,并在此系统中研究2种不同强度下视觉刺激(高强度和低强度)下脑-机接口的信息传输率差异.9名受试者参加了实验,每位受试者在高低2种强度视觉刺激下各采集40组数据,数据在预处理后使用支持向量机进行分类,最终的目标识别率分别为84%和81%.平均波形表明在所设计的范式下2种强度视觉刺激均可以诱发出稳健的P300电位,离线分析表明高强度视觉刺激下平均信息传输率可以达到4.9 bit/min, 而低强度视觉刺激下为 4.5 bit/min.     

基于P300和机器学习的测谎方法研究

为了克服传统测谎方法没有考虑到相同刺激下受试者思维状态变化的缺点,提出了基于P300和机器学习的测谎方法.该方法使用典型的3刺激测谎范式,首先记录30名随机划分的撒谎者和无辜者的12导脑电(EEG)信号,使用独立成分分析方法(ICA)分解由探针刺激产生的脑电信号,利用在Pz电极上分布强度大的独立分量重建Pz波形,将每名受试者的的若干个Pz波形进行平均,提取两步降噪后的每个Pz波形的时域和小波特征.最后,使用分类器区分P300和非P300波形,进一步计算出个体测谎诊断率.实验结果表明,支持向量机(SVM)适合于说谎意识状态的分类,提出的方法可以有效地改进单次刺激记录上的信噪比,提高P300成分的识别率,进而提高测谎诊断率.     

四类基于支持向量机的多类分类器的性能比较

本文通过UCI数据库中的五个数据集,从分类准确性和运行时间两个方面,比较了四类基于支持向量机的多类分类器——多类支持向量机(MSVM),多元双生支持向量机(MTSVM),多生支持向量机(MBSVM)以及多元支持向量分类回归机(MSVCR)的性能.实验结果表明,MTSVM和MBSVM比MSVM和MSVCR更有效.