基于改进的MFA-SVM的量化择时研究

作     者：陈皓 

作者单位：首都经济贸易大学 

学位级别：硕士

导师姓名：邱月

授予年度：2020年

学科分类：12[管理学] 02[经济学] 0202[经济学-应用经济学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020204[经济学-金融学（含∶保险学）] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：量化择时 萤火虫算法 MFA 股票技术指标 支持向量机 

摘      要：我国股票市场近年来不断发展壮大,群众参与度和社会讨论度都有明显提升。目前,在股市投资方面的研究受到学者的广泛关注,股票择时的研究是该领域的重要内容之一。本文在研究现有文献的基础上,发现及总结了择时操作中有待改进的方面,提出了基于改进的萤火虫算法和支持向量机（MFA-SVM）的量化择时模型,旨在提高股票择时准确率及投资收益率。研究发现,萤火虫算法（Firefly Algorithm,FA）在处理高维度寻优任务时存在两个缺陷:一、萤火虫个体之间的吸引度较低导致算法在迭代前期容易陷入局部最优的情况;二、萤火虫算法在迭代后期寻优精度较低。针对上述缺陷,提出了一种动态搜索萤火虫算法（Modified Firefly Algorithm,MFA）。首先增加最小吸引度的概念,用于寻优前期增加萤火虫之间信息交流的可能性。然后应用动态搜索的思想,根据目标函数最优值信息,使萤火虫自适应调整迭代步长。实证结果证明,MFA在寻优效率及稳定性上较原来都有明显提升。与此同时,本文采取MFA对择时模型中的支持向量机（Support Vector Machine,SVM）的惩罚参数进行了优化,使得普通的SVM变为更符合现实应用的加权支持向量机。同时,改进的MFA还对径向基核函数中的参数σ进行优化,使得模型复杂度得以有效降低。本文通过改进萤火虫算法,选取股票指标以及对支持向量机进行参数寻优,构建了MFA-SVM模型。最后,在不同的个股及股指情况下,将MFA-SVM模型的择时准确率与收益率较其他策略模型进行对比分析,MFA-SVM择时模型表现较优,证明该量化择时模型可以较好地提高股票投资收益。本文目前虽未能将技术指标与宏观数据进行结合,数据的综合解释能力也有待提高。然而,本文将MFA和SVM等算法应用于择时策略的模型构建,对于进一步补充择时模型的多样性以及股票择时的实践具有一定的参考价值。