收益率时间间隔对跟踪误差计算的影响

跟踪误差是用来衡量指数基金相对目标指数偏离程度的计量指标.随着指数基金品种在我国证券市场的日渐增多,运作逐步走向规范,指数基金跟踪误差的计量方式成为指数化投资理论界及实务界越来越关心的问题.跟踪误差衡量公式的设计是指数化投资中必须解决的关键问题,它直接关系到跟踪组合的求解结果的优劣和指数化投资绩效评价的好坏.     

基于支持向量机的并购目标搜索研究

支持向量机自90年代中期出现以来得到广泛的应用,搜索到理想的并购目标是企业实施并购策略的关键因素。本文介绍了基于支持向量机的基本理论,建立了基于支持向量机的并购目标搜索模型,搜索到潜在的并购目标。研究表明用支持向量机方法来搜索并购目标是可行的。     

几种组合预测方法对股票市场的预测效果研究

为了研究几种组合预测方法的预测效果,文章首先利用GM(1,1)、BP神经网络、支持向量机(SVM)三种单一预测方法对2008年的上证工业股指数、上证商业股指数、上证地产股指数、上证公共事业股指数作了预测,然后分别利用最优权重线性组合预测模型、基于SVM和基于BP神经网络的非线性组合预测模型对上述股指作了预测.通过对各种预测方法的预测效果进行对比分析,发现:在进行组合预测时,选择其中预测效果最好的一种方法作为二次组合预测的模型可以大大提高组合预测的效果.     

基于文化算法的支持向量机组合预测模型

为提高预测精度,文章提出基于文化算法的支持向量机组合预测模型.以组合预测模型的误差平方和最小为优化准则,用文化算法对支持向量机参数进行优化,并建立支持向量机对单一模型的预测结果进行组合预测.算例结果表明,该模型综合了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强.     

含景气参数的非负lasso改进算法及其在指数跟踪中的应用

以lasso算法为模型基础,在中国市场不允许做空的条件下,改进非负lasso算法,将市场景气因素应用到模型中,得到含景气参数的超额收益与跟踪误差的平衡模型。以上证180指数为投资标的,模拟熊市和牛市投资状态下的指数跟踪。在牛市时,设定景气参数为0,最小化跟踪误差以获取市场平均收益;熊市时,跟踪组合对超额收益的获取表现出了明显的优势,同时在熊市获取超额收益需要承担更大风险。用含景气参数的非负lasso算法跟踪指数,为业界提供了一种新的指数跟踪方法。     

基于SVM的基金业绩评估系统研究

基于结构风险最小化原则的支持向量机对小样本决策具有全局收敛性和较好的学习推广性.基金业绩评价问题本质是分类问题,本文提出基于SVM的二叉树多级分类器实现方法,并对系统特征进行选择验证.实证分析表明采用支持向量机设计的评价系统思路清晰,操作简单,重复训练样本少,在评估系统应用中有较强的实用性.     

LS-SVM的一种参数优选方法及混沌时间序列预测

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.文章提出适当的验证性能指标用遗传算法优化最小二乘支持向量机的有关参数,并进行时间序列预测.通过对混沌时间序列的预测及和神经网络预测的比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的.     

基于支持向量机的降水量混沌时间序列预测

本文针对降水量时间序列的混沌性,根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机优越的非线性拟合性能,建立了基于支持向量机的降水量混沌时间序列预测模型。由于降水量时间序列的特殊性,本文采用均方根误差为标准来选取最优嵌入维数和模型参数,并结合实例验证该模型能精确地预测降水量。同时,这一结论也预示着支持向量机是一种研究混沌时间序列的有效方法。     

指数化投资的风险评估——基于跟踪误差方差分解的实证

文章以我国的指数基金为研究对象,对其跟踪误差方差展开分解,分析其历史风险水平.然后,运用压力测试的方法,分析并预测样本指数基金未来的风险水平.实证结果表明,从总体上看,样本基金的风险控制得较好,基本满足指数化投资的要求.     

成份股数量和再平衡策略对协整优化指数跟踪组合的影响

文章以沪深300指数为基准指数,采用大权重法进行选股,运用协整优化方法确定成份股的投资权重,从而构造了跟踪沪深300指数的投资组合。在此基础上研究了成份股数量与再平衡策略的使用频率对协整优化指数跟踪组合的影响。结果表明,以10支成份股组成的跟踪组合跟踪绩效最优,同时,基于协整的投资组合在每半年进行一次再平衡的频率下会获得更好的投资绩效。     

基于支持向量机的雷达信号分类

文章首先论述了支持向量机的基本理论,然后给出了基于支持向量机的多分类算法并将其应用于现代复杂体制雷达信号的分类。文章在Matlab环境下对雷达信号进行了模拟,在不同的分类参数组合下,用模拟数据检验了不同核函数的支持向量机多分类算法的效果。     

基于支持向量机的混沌时间序列预测模型

支持向量机是基于结构风险最小化原理的一种学习技术,是一种具有很好泛化能力的预测工具,它有效地解决小样本、非线性、高维数、局部极小等问题.文章利用支持向量回归机对时间序列进行了预测,并对模型选择和参数优化进行了研究.仿真试验表明预测结果是合理的,并具有较高的预测精度.     

我国指数基金绩效的实证分析与评价

采取指数化方式进行证券投资的基金称为指数基金.所谓指数化投资就是选择某一具有代表性的指数作为标的,然后按照该指数的编制原理构建相应的投资组合而采取的一种证券投资策略.我国从1999年7月底开始指数化投资的实践,但我国推出的指数基金并不是严格意义上的指数基金,而是把指数化投资和积极投资有机结合起来,是一种优化的指数基金.随着我国证券市场的不断发展和深化,证券投资基金正在逐渐发展壮大,指数基金作为投资基金的一个新型品种,也必将成为投资者追逐的热点.因而对我国指数基金的业绩进行分析对投资者和基金管理者都具有重要的意义.本文在前人研究的基础上应用典型的基金业绩分析模型对我国的封闭式指数基金的运行绩效进行了较为全面的实证分析,并对我国的指数化投资作出了较为客观的评价,最后提出了相关的政策建议.     

基于神经网络技术的指数跟踪方法

文章应用神经网络技术改进指数跟踪组合的资产配置结构，从而提高了指数跟踪业绩。实证结果表明，不论从累计收益率还是从跟踪误差的角度看，神经网络技术确定的指数跟踪组合的业绩比已有文献给出的指数跟踪方法更好，表明基于神经网络技术的指数跟踪方法是一种处理指数跟踪问题的好方法。     

基于聚类组合和支持向量机的环境经济负荷调度模型

文章提出了一种基于聚类组合和支持向量机的短期负荷预测方法.该方法首先使用SOM网络训练规格化的特征数据并获得初始聚类中心;然后将初始聚类中心作为C-均值算法的输入,使用DB指数评价聚类结果以获得最佳聚类数,通过训练可得到相似日样本;最后选择合适的参数和核函数构造支持向量机模型来进行逐点负荷预测.     

基于蚁群优化神经网络的支持向量机预测方法研究

本文利用蚂蚁算法训练神经网络的权值和阈值,蚁群优化神经网络克服了人工神经网络预测精度低的缺点,在取得最小拟合误差的同时可以得到最小的预测误差。在此基础上提出以支持向量机方法为主、多方法融合的智能预测系统,对电网负荷预测进行了动态预测。实际算例验证了这一智能预测系统的精确性。     

基于贝叶斯支持向量回归机的稳健参数设计

稳健参数设计是一种质量改进的重要技术，能够从产品生产的源头上减少和控制波动的产生。双响应曲面法是其常用的方法，主要是利用低阶多项式模型来拟合均值和方差响应，但当样本较复杂（如为非线性或者高维样本）时，低阶多项式模型的拟合性能往往较差，求解优化问题效果不佳。支持向量回归机对非线性数据有良好的拟合潜力，但其性能依赖于参数的合理设置，文章将贝叶斯优化应用于支持向量回归机的参数选择，并将优化后的模型应用于稳健参数设计中响应曲面模型的构建，提出一种基于贝叶斯支持向量回归机的稳健参数设计方法。试验结果表明，所提方法和其他常见优化方法相比，可以获得更精确的响应曲面，可以在实际应用中近似得到可靠的最优因子搭配水平。     

遗传支持向量机及其在人民币汇率变动方向预测中的应用

文文章基于金融时间序列的近期数据对未来的影响会大于早期数据,对应用于金融时间序列预测的支持向量机方法进行了改进,给出了不等权重支持向量机方法（USVM）及其多项式光滑化处理;将不等权重支持向量机方法应用于训练样本集的子集确定预测模型,给出了遗传不等权重支持向量机方法（GAUSVM）;对GAUSVM应用于汇率变动预测的实证分析发现,通过利用遗传算法对预测模型选优能够有效地提高USVM预测效果,加强其数据挖掘的功能。     

基于双正交小波核支持向量机的长记忆汇率预测

对具有长记忆性的汇率数据进行准确预测具有重要的理论和现实意义。文章基于样条小波构造了一类新的双正交小波核函数并建立了相应的支持向量机模型。通过分数差分方法消除汇率数据的长记忆性,对欧元兑美元和欧元兑日元两个汇率数据进行了预测研究。结果表明双正交小波核支持向量机能够有效的避免过学习,其拟合优度和预测精度均优于正交小波核支持向量机和高斯核支持向量机。     

基于支持向量机及主成分分析的财务危机预测

支持向量机是一种基于统计学习理论的机器学习算法,在小样本情况下亦可得到很好的分类效果。文章提出了基于支持向量机的上市公司财务危机预测模型,公司财务指标作为支持向量机的输入,其数目较多,采用主成分分析方法降低支持向量机的输入向量维数。与多元统计方法、Logit及Probit模型进行比较,结果表明,该方法预测精度高,第一类错误及第二类错误显著减小。