特征选取和SVM算法研究及在股市行业资讯中的应用的中期报告.docx

特征选取和SVM算法研究及在股市行业资讯中的应用的中期报告
中期报告-特征选取和SVM算法研究及在股市行业资讯中的应用
一、研究背景
股票市场作为一个重要的投资领域，其价格变动对于投资者来说至关重要。为了更好地进行投资，需要对市场中的信息进行分析和挖掘，从而找出有价值的投资机会。信息分析和挖掘的关键在于特征选取和有效的算法。
在股票市场中，影响价格的因素众多，如公司财务状况、宏观经济环境、政治局势等。这些因素可以称之为特征。如何从这些特征中选取对于股票价格预测有用的特征，是股票市场预测的关键步骤之一。
SVM（SupportVectorMachine）算法是一种强大的机器学习算法，其优点在于可以处理高维空间的数据，并且对于噪声数据具有强鲁棒性。在股票预测中，SVM算法可以用于建立一个分类器来预测股票价格的上涨或下跌。
本项目旨在研究特征选取和SVM算法在股票行业资讯中的应用，并尝试构建一个股票价格预测模型，为投资者提供有价值的信息。
二、研究内容及进展
1.特征选取
在特征选取的过程中，我们首先对股票市场的相关信息进行收集和整理。我们收集了从2000年至今中国上市公司的财务数据，包括营业收入、净利润、负债率、市盈率等指标。此外，我们还收集了政治、经济、文化等各领域的新闻信息。接着，我们使用Python对这些数据进行处理和清洗，筛选出对于股票价格预测有用的特征。
经过分析和测试，我们发现，对于股票价格预测有用的特征主要来自于公司的财务数据。其中，营业收入、净利润和市盈率对于预测股票价格上涨或下跌有很大的影响。我们还尝试了将新闻信息作为特征输入到SVM模型中，但效果不是很显著。
2.SVM算法模型
在SVM算法模型的建立过程中，我们首先对数据进行切分，将其分成训练集和测试集。我们使用Python库的SVM模块对训练集进行训练，并使用测试集对模型进行测试和优化。我们还尝试了使用不同的核函数和参数，选择最优的模型。
经过多次试验和比较，我们发现，使用径向基核函数的SVM模型效果最好。我们调整了惩罚参数和核函数参数，最终得到了一个较好的模型。我们将其应用到股票价格预测中，取得了一定的成果。
三、下一步工作计划
在未来的研究工作中，我们将继续完善股票价格预测模型。具体的工作计划如下：
1.收集更多的数据，包括行业数据、政府数据等，以扩大我们的特征空间。
2.使用其他的机器学习算法进行对比实验，如RandomForest等。
3.考虑使用更加高级的特征选择方法，如Lasso和Ridge等。
4.考虑使用其他的方法对数据进行降维，如PCA等。
5.对模型进行优化，完善核函数选择和参数调整等重要环节。
四、结论
通过本阶段的研究，我们获得了以下几点结论：
1.公司的财务数据是影响股票价格预测的重要特征。
2.SVM算法是一种有效的股票价格预测算法，并且能够处理高维度数据。
3.收集更多的数据，并使用更好的特征选择和模型优化方法，将有助于提高股票价格预测的准确性。
我们将继续完善研究，探索更深入的股票价格预测方法，为投资者提供更有价值的信息。