基于SVR-GARCH的货币波动率预测研究——以加密货币和传统货币为例

货币价格波动率的建模和预测一直以来都是国家和企业层面重要的研究内容。文章使用加密货币和传统货币的分频汇率数据构建SVR-GARCH模型,为波动率的预测引入非线性交互,提高了模型的预测精度和泛化能力。此外,进一步构建了DCC-SVR-GARCH模型探讨加密货币与传统货币之间的关联性。实证结果表明：首先,在预测方面,机器学习算法的引入显著增强了模型预测性能,SVR-GARCH模型在低频和高频数据上均有稳健的预测表现。其次,加密货币波动率的特征较传统货币更为明显,两者间具有某种同步性,并进一步验证了其存在。最后,两者波动率的关联性表现为：在高不确定性时期呈现正相关关系,且具有明显的事件驱动性;在低不确定性时期往往是负相关关系。     

基于K-means聚类和相对估值法的选股研究

当前机器学习热度不减,得益于机器学习在多领域的广泛应用,许多经典问题有了新的解决思路。针对量化选股问题,将价值投资中的公司相对估值法与机器学习中的K-means聚类算法相结合,构建一种简便易操作的选股策略,并选取2015—2019年数据进行实证分析。结果表明2015—2019年策略组合的回报率均优于基准指数(上证50、沪深300)的回报率。