C-SVM动态仿真模型下的光伏建筑一体化板块投资策略研究

2022-05-20裴智明靳谦诚

无线互联科技 2022年5期

裴智明,靳谦诚,张迪

(太原理工大学机械与运载工程学院,山西太原 030024)

0 引言

国家《第十四个五年规划和2035年远景目标纲要》中提出,将2030年实现“碳达峰”与2060年实现“碳中和”作为我国应对全球气候变暖的一个重要远景目标。光伏建筑一体化(BIPV)是充分利用工业建筑、公共建筑屋顶等资源实施分布式光伏发电工程,对我国实现“碳达峰”和“碳中和”起到重要作用[1]。在股票交易软件中,每只股票都有日K线、移动平均线,通过对日K线和移动平均线的分析,可知每只股票的走势。股票市场中有板块指数,它是对该板块走势的整体反映[2]。现统计沪深股市中36家光伏建筑一体化相关企业的股票数据(数据来源:http://shumo.neepu.edu.cn/),将这36家企业股票看作一个整体,称为光伏建筑一体化板块。

本文基于时间序列及多元非线性回归分析的数学方法,对简单移动平均线模型进行了优化,应用指数平滑预测模型、双重指数平滑预测模型、多层次的多元非线性回归预测模型,对模型根据预测结果与实际情况的方差值或离散情况进行多次误差分析、修正及优化。文章根据多元非线性回归预测模型进行预测,根据稳定时间序列求出5月28日后20个交易日的日移动平均线、3周的周移动平均线、2个月的月移动平均线,并分析上证指数和光伏建筑一体化板块指数之间的关系。文章首先用SPSS做出上证指数开盘价、上证指数最高价、上证指数最低价、上证指数收盘价与板块指数开盘价、板块指数最高价、板块指数最低价、板块指数收盘价的矩阵方块图,并拟合每两个参数之间的线性关系曲线,观察大致的相关关系,然后用斯Pearson相关系数模型对其中的相关关系进行量化,得出更为可靠的结果;再根据收益率和波动率进行初步的风险评估,将数据进行具体实际意义转化,而后根据时间序列模型,结合移动平均线及其相应改进模型,计算出股票的未来走势,确定风险大小。对于求解最佳投资方案,笔者分别以价量信息和技术信息为样本属性集合进行C-SVM静态仿真获得买卖信号,进一步利用具备止损测试机构的C-SVM动态仿真模型得出最佳的投资方案。

1 模型假设

在不影响模型的建立和数学分析求解的基本条件下,建立满足模型有效性的假设条件对于简化运算模型是非常必要的。股票价格的技术分析方法通常可分为两类,一种是图表分析法,另一种是技术指标分析法。在本次建模过程中对于光伏建筑一体化板块指数发展趋势分析及预测中,笔者采用了技术分析的方法,并设计了3个市场假设构建成一个完整的理论体系。这3个假设包括:(1)有效市场假设,即市场行为涵盖一切信息,市场行为是所有综合因素的反应,不需要过多地去研究具体某一个因素的变化是如何影响股价的。(2)技术分析理论有效,即价格沿趋势移动,股价在某一个时间段会主要保持上升或下降的状态,而不是杂乱无章的。(3)经验论,即历史重演,假设认为在某一情况下出现行情,得到结果,那么当下一次出现这一行情的时候,人们会根据经验认为发展结果会和上次一样。

1.1 对光伏建筑一体化板块个股投资风险的评估

经检验,证指数和光伏建筑一体化板块指数在开盘价、收盘价、最高价、最低价之间确实存在一定正比关系。选取2020年4月27日至2021年5月27日期间20个交易日的上证A股的价格信息(包括开盘价、最高价、最低价、收盘价、结算价、成交量和持仓量)作为原始的样本属性集合,并进一步衍生出训练样本属性集合,建立两套C-SVM仿真模型。

1.2 建立以价量信息与技术指标为样本属性集合的C-SVM静态仿真模型

本研究首先以价量信息作为样本的属性集合,进行样本的归一化。建模过程大致可以分为以下几个部分。首先建立原始的样本属性集合,并在此基础上通过运用技术指标衍生出一套新的训练样本属性集合。针对两种不同类型的样本属性集合分别通过C-SVM算法的训练得到两种不同的模型,并检验两种模型交易信号的预测准确率。C-SVM动态仿真基于前一日价格信息进行预测。最后,一个简单的交易策略系统将会被建立,相应的预测精准度、最大回撤、夏普比率及信息比率等常见指标会被用来评测交易策略模型[3,4]。以价量信息为样本属性集合进行C-SVM静态仿真,参数寻优的结果如图1所示。可以看到在已知当日价格信息的条件下,预测当日的买卖信号,在交叉验证下最佳的分类准确率为89.473 6%,最佳参数c=128,g=0.015 625。同理,如图2所示,可以看到以价量信息作为样本的属性集合最佳的分类准确率为84.210 5%,最佳参数c=0.707 11,g=0.125。

图1 参数选择价量信息

图2 技术指标

2 C-SVM动态仿真模型及仿真结果

由仿真结果可知,在动态仿真建模中以价量信息为样本属性集的最优滑窗长度为16,最佳准确率为100%。以技术指标为样本属性集的最优滑窗长度为16,最佳准确率为100%。在得到最佳时间窗口长度的基础上,使用得到的SVM模型预测交易信号,并以实际的买卖信号进行对比。各项指标的测试结果如下所示:cmd2=‘-c 0.707 11-g 0.125-b 1’;最佳滑窗敞口=16;最优准确度=1;夏普比率=20.790 1;信息比率=1.194 1;最终获利点数=100.797 3;预期未来10日内最大回撤=0.087 112。

3 实验结果

本文建立了一个基于C-SVM算法的期货量化交易模型,并通过在模型中引入相应的止损机制,实现在分类“低”准确率下的交易高胜率,从而达到构建的SVM模型在整体市场价格走势中稳定赢利的目的。对整个模型的验证及仿真结果显示,加入止损机制后的CSVM算法对不同的样本属性集合构建的模型均能产生一个有效的收益。最终得到结果,月获利率0.8%,年获利率10.03%。