基于DMD-XGBoost的电商概念股交易量化预测模型及算法研究
这是一篇关于XGBoost,DMD,电商概念股,机器学习,股票市场的论文, 主要内容为股市量化交易预测模型是近些年来金融行业和计算机行业发展学科交叉的重要研究方向。如何最大程度利用金融数据本身特点增强机器学习的预测能力是本文的研究重点。由于传统机器学习方法缺乏根据市场特点和高维非线性数据特点对特征指标内在关联的挖掘,只是笼统地将数据集与主客观因素衔接且多为研究多针对某一特定数据,应用范围受限,本文提出基于电商概念股的DMD-XGBoost股市量化交易预测模型。数据方面创新采用2019年9月1日至2021年9月1日期间电商平台概念股日交易数据的12个金融特征指标进行多角度分析。实证结果显示,本文提出的算法能够有效识别股票交易信息,通过建立评价指标体系量化与传统模型之间的比对,得出RMSE值约为0.1178,均高于传统研究方法,说明在扩大应用场景的同时,在预测效果上实现了提升。本文通过尝试将机器学习和股票市场进行融合,改变了传统模型解释力不足的缺陷,同时对指标之间的相关关系和交互关系处理提供新思路,并实现预测效果的提升,为“大数据+数学+金融”的学科交叉处理问题证实了实现价值和可行性。
基于DMD-XGBoost的电商概念股交易量化预测模型及算法研究
这是一篇关于XGBoost,DMD,电商概念股,机器学习,股票市场的论文, 主要内容为股市量化交易预测模型是近些年来金融行业和计算机行业发展学科交叉的重要研究方向。如何最大程度利用金融数据本身特点增强机器学习的预测能力是本文的研究重点。由于传统机器学习方法缺乏根据市场特点和高维非线性数据特点对特征指标内在关联的挖掘,只是笼统地将数据集与主客观因素衔接且多为研究多针对某一特定数据,应用范围受限,本文提出基于电商概念股的DMD-XGBoost股市量化交易预测模型。数据方面创新采用2019年9月1日至2021年9月1日期间电商平台概念股日交易数据的12个金融特征指标进行多角度分析。实证结果显示,本文提出的算法能够有效识别股票交易信息,通过建立评价指标体系量化与传统模型之间的比对,得出RMSE值约为0.1178,均高于传统研究方法,说明在扩大应用场景的同时,在预测效果上实现了提升。本文通过尝试将机器学习和股票市场进行融合,改变了传统模型解释力不足的缺陷,同时对指标之间的相关关系和交互关系处理提供新思路,并实现预测效果的提升,为“大数据+数学+金融”的学科交叉处理问题证实了实现价值和可行性。
中美贸易战对全球股市的影响——基于波动溢出指数法
这是一篇关于中美贸易战,溢出指数,股票市场的论文, 主要内容为中美两国的贸易摩擦引起了各国乃至全球股市的震荡。随着国际股市间联系的日益紧密,国际经济事件对全球股票市场的影响日趋明显,准确地度量全球股市间的风险溢出效应,并识别中美贸易战对其的影响具有重要的理论与现实意义。本文基于中美贸易战的视角,选取2014年1月1日至2021年1月28日美国、中国大陆、中国香港、中国台湾、加拿大、巴西、墨西哥、英国、法国、德国、意大利、荷兰、俄罗斯、日本、韩国、新加坡、马来西亚、泰国、印度、澳大利亚等20个国家和地区的股市日频数据,以股指极差波动率作为研究对象,计算波动溢出指数,来量化样本股市间的时变波动溢出效应。尝试建立回归模型,以中美贸易战的进程为虚拟变量,探究其对波动溢出指数的影响。实证结果发现,中美贸易战的激化在一定程度上刺激了全球股市间波动溢出效应的提高。而第一阶段经贸协议推进期间,随着负面冲击的阶段性缓和,市场相较于危机爆发时期更理性,全球股市间波动溢出效应出现了下降的趋势。从总波动溢出指数来看,2018年至2019年中美贸易战时期,样本股票市场在两个时间段出现了较高的联动性。分别为2018年第一轮和第二轮关税加征并实施期间,总波动溢出指数迅速上升近20个百分点,峰值达到87%;2019年第二轮关税税率上调和第三轮关税加征期间,总波动溢出指数峰值时期达到78.8%。而2019年末至2020年1月,第一阶段经贸协议达成期间,全球股票市场间的波动溢出效应出现了下降趋势,总波动溢出指数跌至70%以下。从分国家和地区的股市波动净溢出指数来看,2018年初,中美贸易战爆发时,作为中美贸易战的当事国家和地区,美国、中国大陆、中国香港和中国台湾股市分别向其他国家和地区股票市场的波动净溢出效应出现上升,且在一段时间内保持高位。而在中美第一阶段经贸协议推进时期,四个股市分别向其他国家和地区股市的波动净溢出效应出现不同程度的下降。从回归结果来看,在PCSE模型下,2018年2月,中美贸易战的开展,促进了中美两国股票市场向全球其他股票市场的波动净溢出;2019年末,中美贸易战的阶段性缓和,一定程度上减弱了中美两国股票市场向全球其他股票市场的波动净溢出。
基于DMD-XGBoost的电商概念股交易量化预测模型及算法研究
这是一篇关于XGBoost,DMD,电商概念股,机器学习,股票市场的论文, 主要内容为股市量化交易预测模型是近些年来金融行业和计算机行业发展学科交叉的重要研究方向。如何最大程度利用金融数据本身特点增强机器学习的预测能力是本文的研究重点。由于传统机器学习方法缺乏根据市场特点和高维非线性数据特点对特征指标内在关联的挖掘,只是笼统地将数据集与主客观因素衔接且多为研究多针对某一特定数据,应用范围受限,本文提出基于电商概念股的DMD-XGBoost股市量化交易预测模型。数据方面创新采用2019年9月1日至2021年9月1日期间电商平台概念股日交易数据的12个金融特征指标进行多角度分析。实证结果显示,本文提出的算法能够有效识别股票交易信息,通过建立评价指标体系量化与传统模型之间的比对,得出RMSE值约为0.1178,均高于传统研究方法,说明在扩大应用场景的同时,在预测效果上实现了提升。本文通过尝试将机器学习和股票市场进行融合,改变了传统模型解释力不足的缺陷,同时对指标之间的相关关系和交互关系处理提供新思路,并实现预测效果的提升,为“大数据+数学+金融”的学科交叉处理问题证实了实现价值和可行性。
电商平台网络造节对中国股市的影响——基于收益和波动角度
这是一篇关于节日效应,电商节日,马尔科夫机制转移模型,随机波动模型,股票市场的论文, 主要内容为数字经济已成为驱动我国经济实现高质量发展的重要因素,也是民众日常生活中高度依赖的工具。数字经济的快速发展催生了一系列衍生产品,如平台经济、新零售等。作为数字技术的主力军,平台利用其中介作用,促进产业融合发展。电商平台利用互联网便利优势和消费者的冲动性消费行为创造了诸多网络狂欢购物日,电商平台和线下商超的联合促销,促使网络购物成为民众消费的常用方式,这些电商平台利用自身优势创造出来的节日与法定节日一样对股市影响巨大,这些市场异象是对有效市场假说的有力质疑。因此,研究电商节日对我国股市的影响尤其重要。本文基于沪深股票市场日度数据,深入剖析了电商平台网络造节对我国证券市场收益性和波动性的影响。本文以电商平台网络造节以及法定节日的节日效应为研究对象,分析其发展现状和历程。在梳理有效市场假说特性、行为金融理论以及电商平台促销等理论基础上,利用2009年1月1日至2019年12月31日上证综指、深证综指、沪深300、中小板指和创业板指股票指数的日度收盘价数据,选取运用马尔科夫机制转移模型估计市场整体波动性和集聚性;之后运用事件研究法、随机波动模型分别对股票日度数据进行回归拟合,从收益和波动两方面出发,分析了电商节日效应对股市的影响。同时,验证了节日效应是否是其他日历效应在节日这一时间点上的特殊表现形式,节假日对股市波动的影响存在吗?通过理论研究和实证检验,本文发现:一方面,股票指数具有很强的波动集聚性。另一方面,我国股票市场中存在明显的节日效应,在2009年推出电商平台网络购物节后,电商平台网络造节对股市收益和波动存在显著的影响;除此之外,得到了节日效应独立于其他日历效应存在的证据,电商节日和法定节日的节日效应不是其他日历效应作用的结果。电商节日同法定节日一样对我国股市存在显著性影响。据此,本文提出在节日期间应对股市剧烈波动的三条建议:(1)投资者利用节日促销信息规避市场交易的风险;(2)建立完善的市场机制,信息更具有完备性,更加快速、准确地传递,提高市场有效性;(3)监管部门制定风险监管策略。旨在推动我国股票市场健康稳定发展。本文的主要贡献在于:(1)在以往文献研究的基础上,本文实证部分加入了以沪深证券市场日度交易数据来研究电商平台创造的节日对股市波动产生的影响。即研究以“双十一”为代表的电商节日对股市的影响,以法定节日研究结果作为补充。(2)在论文模型方面,以马尔科夫机制转移模型为基础,来衡量股票市场的波动,为后续实证研究打下基础。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码小屋 ，原文地址：https://m.bishedaima.com/lunwen/54650.html
