基于启发式算法的支持向量机选股模型

发行流通股的上市公司财务数据是高维、复杂的,在利用财务指标对股票进行投资选择时往往难以全面考虑。为了从样本股的大量财务指标中提取出低维、有效的特征信息来构成支持向量机(SVM)的训练集,提出了一种启发式算法(HA)对原始财务数据进行预处理,在保存原始数据特征信息的同时提高了训练精度和训练效率。实证结果中,基于该启发式算法的支持向量机选股模型(HA-SVM)最终构造的股票组合的年收益显著高于同期基准组合的年收益。另外,进一步将被广泛使用于降维和数据特征提取的主成分分析法(PCA)与该启发式算法进行对比分析,结果表明,HA-SVM模型的训练准确率、预测准确率以及所选股票组合的年收益情况均显著高于PCA-SVM模型。