基于关联分析算法和吉布斯抽样的基金特征研究

论文摘要

本文的目的是从大数据角度,从“基金本身、基金经理、基金公司”三个角度对基金构建指标体系,并识别特征体系中指标的重要性,从而找出重要特征指标并剔除无关（或者微相关的）指标,为FOF（Fund of Funds,基金中的基金）择基提供基于特征的参考。本文通过对基金的62个基于三大维度特征与基金绩效间的关联规则的挖掘,提炼出21个与基金绩效强关联的特征指标。本研究首先基于1619个真实的债券型基金样本的62基本特征,以“Gibbs-sampling-induced stochastic search procedure”作为工具,利用 62 个初步特征建立对应的基本关联规则,在Markov Chain Monte Carlo（MCMC）框架下使用Gibbs Sampling方法产生的（300个）随机新样本。以这些新样本为基础,我们提取出与基金绩效（强和弱）相关的关联特征指标。我们的研究发现包含1.以62个初级指标作为出发点,我们发现与“好”基金绩效强关联的特征指标有21个;另外,与“差”基金绩效强关联的特征指标为18个;2.与基金绩效指标弱相关的特征指标有3个;3.另外,与“好”基金绩效比较相关的特征指标有6个;与“坏”基金绩效比较相关的特征指标有9个。通过对基金特征指标进行的研究和分析发现,我们有下面的一般规律:第一,对于基金本身,基金财务指标与基金绩效具有强相关的特性;第二,对于基金经理,经理个人和基金业绩存在强相关的特征指标;第三,对于基金公司,其经营能力、基本信息特征、董监高特征等与基金绩效具有强关联关系。

论文目录

摘要

Abstract

第1章绪论

1.1 研究背景和意义

1.1.1 研究背景

1.1.2 研究意义

1.2 文献综述

1.2.1 关于特征关联规则挖掘

1.2.2 关于基金特征选取

1.3 论文主要内容和结构安排

1.3.1 论文研究内容和创新点

1.3.2 论文结构安排

第2章基金绩效度量和特征选取的基本规则

2.1 好样本与坏样本定义

2.1.1 基于收益的基金绩效指标

2.1.2 基于风险值的基金指标值

2.1.3 基于风险调整后收益的基金绩效指标

2.2 基金特征选取

2.2.1 基金本身特征分析

2.2.2 基金经理特征分析

2.2.3 基金公司特征分析

第3章基金特征挖掘

3.1 Apriori算法

3.1.1 Apriori算法简介

3.1.2 挖掘频繁项集

3.2 样本生成方法

3.2.1 马尔科夫链

3.2.2 马尔科夫链蒙特卡洛采样MCMC（Markov Chain Monte Carlo）

3.3 基金特征挖掘的基本原理

3.3.1 采样条件概率

3.3.2 参数调整

第4章基金特征挖掘的实证研究

4.1 样本选择

4.1.1 样本数据描述

4.2 数据预处理

4.2.1 数据分级（数据分箱转换）

4.2.2 虚拟变量转换

4.2.3 结果变量转换

4.2.4 特征变量的描述统计

4.3 参数调整

4.4 重要关联规则提取

4.4.1 多维度目标下规则提取

4.4.2 多维度目标下指标提取

4.5 基金优劣特征结果提取

4.5.1 样本生成误差

4.5.2 特征显著性分析

第5章总结与展望

5.1 总结

5.3 进一步研究方向

参考文献

附录1: 关联规则结果展示样例

附录2: Wind基金评级标准

附录3 参数调整样本描绘

附录4 样本描述

附录5 指标分箱结果

附录6 多维绩效与特征指标关系汇总表

附录7 样本波动

致谢

文章来源

类型: 硕士论文

作者: 冯驰

导师: 袁先智

关键词: 关联规则,基金特征,算法,吉布斯采样

来源: 苏州大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,金融,证券,投资

单位: 苏州大学

分类号: F832.51;O212.2

DOI: 10.27351/d.cnki.gszhu.2019.001634

总页数: 68

文件大小: 3862K

下载量: 36

基于关联分析算法和吉布斯抽样的基金特征研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢