导　　师： 李文星

授予学位： 硕士

作　　者： (）;

机构地区： 暨南大学

摘　　要： 比较分析传统的K-means聚类方法、半监督K-means聚类、半监督K-means核聚类方法在多因子选股问题中对于模型局部最优解、样本线性不可分、样本分布非球状簇、变量稀疏性等问题的处理存在的不足,提出了改进的半监督K-means核聚类方法。该方法是在基于重力影响因子的半监督K-means核聚类方法的基础上,通过对核函数的改进,使其在处理样本线性不可分,变量稀疏性等问题中具有较高效率。实证结果表明:股票样本矩阵是一个典型的高稀疏集群矩阵,样本之间的分布存在明显的线性不可分问题。改进的模型具有较强的泛化能力,在处理高稀疏矩阵及样本线性不可分问题上具有明显的优势。本文创新之处在于:1.本文将核函数理论同基于重力影响因子的半监督聚类方法相结合得出基于重力影响因子的半监督核聚类算法;新模型在处理样本线性不可分问题上具有较好的效果。2.在此基础上,本文将核函数进行改进得出改进的半监督核聚类算法;该改进的模型相较于前模型同时具备较优的学习能力及泛化能力。3.本文将最终的模型用于多因子选股;实证结果表明,该模型能够选出较好的股组合。更多还原

关 键 词： 多因子选股 [6430209]核函数 [7386068]半监督聚类

分 类 号： [F830.91]

领　　域： []