基于支持向量机的股票选择实证研究的中期报告中期报告一、研究背景随着经济的发展和资本市场的开放，股票投资成为了越来越多人的投资方式。在如此庞大的股票市场中，如何进行优选的股票选择成为了投资者普遍关注的话题。该问题的解决能够避免投资者过多的损失，提高投资的效益，具有重要意义。支持向量机(SVM)是一种基于统计学习理论的分类算法，其以结构风险最小化为准则进行分类决策。传统的股票选择方法难以处理高维数据随机分布的问题，而SVM在许多领域已经证明了其有效性，因此可以考虑将其应用于股票选择领域。二、研究目的本研究旨在探究基于支持向量机的股票选择方法，具体目的包括：1.掌握支持向量机的原理和运算方法；2.对股票投资过程中的常用指标进行研究，确定适合SVM模型的指标；3.建立支持向量机模型，应用于股票选择中；4.对比支持向量机和传统股票选择方法的效果，验证SVM模型的优越性。三、研究过程1.收集数据本研究选择了上证指数中的100只股票，数据周期为2017年1月至2021年6月，共计942个交易日。收集数据包括收盘价、开盘价、最高价、最低价、成交量、市值等指标，对数据进行预处理，得到适合SVM算法的格式。2.筛选指标基于对投资者关注的因素进行分析，筛选出10个适合SVM模型的股票选择指标，包括股票收益率、市盈率、市净率、价格波动率、换手率、市值收益率、机构持股比例、财务指标(净利润增长率)等。3.划分训练集和测试集将数据随机划分为训练集和测试集，其中训练集占70%，测试集占30%。4.建立SVM模型使用Python编程语言中scikit-learn库中的SVM算法进行建模，利用训练集训练模型，确定最优的参数,同时对模型进行验证和评价。5.对比传统股票选择方法效果利用同样的股票，对比SVM和传统股票选择方法的效果，具体包括收益率、最大回撤、夏普比率等。四、预期结果通过本研究，预期得到以下结果：1.得到适合于股票选择的指标，并了解这些指标在SVM模型中的权重。2.建立基于SVM模型的股票选择模型，并验证其有效性和优越性。3.比较SVM模型和传统股票选择方法的效果，分析SVM在该领域的应用前景。