机器学习在金融时间序列预测中的应用
发布时间：2022-12-07 21:07
时间序列的预测对人们的生活起着重要的指导作用。随着机器学习技术的快速发展,对时间序列分析和预测方法的研究也得到了迅速的发展,但其在很多方面的效果不能满足实际应用的高要求,有很多问题凾待解决。本文以时间序列分析和预测为研究背景,利用机器学习技术对时间序列预测应用进行了研究。本文主要进行了以下三个方面的研究:（1）基于改进的随机森林算法股票收益率预测研究,传统随机森林算法在处理大量输入特征时,无法对特征进行有效区分,不同特征对模型可能存在相反或者重复效果,无效特征会导致预测模型复杂度增加、预测时间增加、预测准确率下降等问题。本文在随机森林算法（Random Forest,RF）预测基础上进行改进,将粒子群算法（Particle Swarm Optimization,PSO）和网格搜索算法（Grid Search,GRID）相结合,提出一种改进的随机森林算法——粒子群参数网格搜索的随机森林算法（Particle Swarm Optimization Grid Search Random Forest,PSO-GRID-RF）。先利用PSO筛选最优特征输入RF中,再利用GRID同步搜索最优参数...
【文章页数】：61 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题研究背景及意义
1.2 金融时间序列的特点
1.3 国内外研究现状
1.4 论文章节安排和章节组织结构图
第2章 金融时间序列预测及机器学习概述
2.1 引言
2.2 金融时间序列进行预测的基本模型
2.3 金融时间序列数据的选取
2.4 金融时间序列数据预处理
2.4.1 数据规范化处理
2.4.2 缺失数据的处理
2.4.3 数据平稳性处理
2.5 经典的时间序列模型
2.5.1 简单自回归模型
2.5.2 简单滑动平均模型
2.5.3 自回归滑动平均模型
2.5.4 条件异方差模型
2.6 机器学习模型
2.6.1 随机森林模型结构及原理
2.6.2 随机森林实现过程
2.6.3 支持向量机模型
2.6.4 支持向量机核函数
2.6.5 最小二乘支持向量机回归模型
2.7 模型评价标准
2.7.1 分类预测评价指标
2.7.2 回归预测评价指标
2.8 本章小结
第3章 基于改进的随机森林算法股票收益率预测研究
3.1 引言
3.2 理论基础
3.2.1 PSO的特征选择算法
3.2.2 网格搜索算法
3.3 数据预处理
3.4 股票交易信号数据
3.5 算法流程设计
3.6 仿真结果与分析
3.7 本章小结
第4章 利用相空间重构优化方法对股票价格预测
4.1 引言
4.2 PSR_PSO_LSSVR预测模型
4.2.1 相空间重构PSR
4.2.2 滑动窗口的确定
4.2.3 PSO进行参数寻优
4.3 算法流程框架设计
4.4 仿真结果与分析
4.5 本章小结
第5章 基于支持向量机的回归预测模型
5.1 引言
5.2 PCA-GRID-SVR系统框架设计
5.3 主成分分析原理
5.4 流程框架设计
5.5 仿真实验
5.5.1 数据来源与预处理
5.5.2 预测因子的PCA处理
5.5.3 利用网格搜索算法优化SVR参数
5.5.4 模型预测性能对比分析
5.6 本章小结
第6章 总结与展望
6.1 全文总结
6.2 研究展望
致谢
参考文献
附录 作者在读期间发表的学术论文及参加的科研项目
【参考文献】：
期刊论文
[1]基于最小二乘支持向量机逆系统方法应用研究[J]. 杜青青. 工业仪表与自动化装置. 2019(05)
[2]基于相空间重构小波神经网络的短期覆冰预测[J]. 杨静,李英娜,赵振刚,李川. 传感器与微系统. 2019(09)
[3]基于AP-SVM组合模型的股票价格预测[J]. 胡迪,黄巍. 武汉工程大学学报. 2019(03)
[4]基于神经网络模型的股票预测与研究[J]. 孙伯原. 电子测试. 2019(12)
[5]基于改进随机森林算法的股票趋势预测[J]. 方昕,李旭东,曹海燕,潘鹏. 杭州电子科技大学学报(自然科学版). 2019(02)
[6]基于支持向量机优化的人体动作识别方法[J]. 王晋. 电子设计工程. 2018(17)
[7]基于随机森林的A股股票涨跌预测研究[J]. 林娜娜,秦江涛. 上海理工大学学报. 2018(03)
[8]An Improved Sensor Fault Diagnosis Scheme Based on TA-LSSVM and ECOC-SVM[J]. GU Xiaodan,DENG Fang,GAO Xin,ZHOU Rui. Journal of Systems Science ＆ Complexity. 2018(02)
[9]基于Boruta-PSO-SVM的股票收益率研究[J]. 郭海山,高波涌,陆慧娟. 传感器与微系统. 2018(03)
[10]时间序列分析在金融中的应用[J]. 潘媛. 经贸实践. 2017(18)
博士论文
[1]时间序列模式匹配技术研究[D]. 张勇.华中科技大学 2012
硕士论文
[1]矩阵型截面数据时间序列广义AR（p）模型理论研究及应用[D]. 华楠.华东师范大学 2019
[2]基于FASVR-FWKNN-MACD组合模型的股指交易策略研究[D]. 杨相伟.浙江工商大学 2018
[3]基于PCA-GA-BPNN模型对股价预测的研究[D]. 李海燕.西安理工大学 2018
[4]基于GA-PSO优化支持向量机的遥感图像分类研究[D]. 于梦馨.湖南农业大学 2018
[5]一种基于机器学习的股票预测和量化投资系统[D]. 方朴一.浙江大学 2018
[6]基于TDDPL-FWSVM-FWKNN混合模型的股票价格预测[D]. 孙盼卫.浙江工商大学 2018
[7]MA（1）模型中移动平均系数的有限样本统计推断[D]. 许平.云南财经大学 2016
[8]基于时间序列的股票价格分析研究与应用[D]. 姜乐.大连理工大学 2015
[9]基于数据挖掘的量化投资策略实证研究[D]. 李慧兰.浙江大学 2014
[10]基于时间序列分析掘进工作面突出预测指标预测研究[D]. 张洪祯.辽宁工程技术大学 2012
本文编号：3712854
【文章页数】：61 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题研究背景及意义
1.2 金融时间序列的特点
1.3 国内外研究现状
1.4 论文章节安排和章节组织结构图
第2章 金融时间序列预测及机器学习概述
2.1 引言
2.2 金融时间序列进行预测的基本模型
2.3 金融时间序列数据的选取
2.4 金融时间序列数据预处理
2.4.1 数据规范化处理
2.4.2 缺失数据的处理
2.4.3 数据平稳性处理
2.5 经典的时间序列模型
2.5.1 简单自回归模型
2.5.2 简单滑动平均模型
2.5.3 自回归滑动平均模型
2.5.4 条件异方差模型
2.6 机器学习模型
2.6.1 随机森林模型结构及原理
2.6.2 随机森林实现过程
2.6.3 支持向量机模型
2.6.4 支持向量机核函数
2.6.5 最小二乘支持向量机回归模型
2.7 模型评价标准
2.7.1 分类预测评价指标
2.7.2 回归预测评价指标
2.8 本章小结
第3章 基于改进的随机森林算法股票收益率预测研究
3.1 引言
3.2 理论基础
3.2.1 PSO的特征选择算法
3.2.2 网格搜索算法
3.3 数据预处理
3.4 股票交易信号数据
3.5 算法流程设计
3.6 仿真结果与分析
3.7 本章小结
第4章 利用相空间重构优化方法对股票价格预测
4.1 引言
4.2 PSR_PSO_LSSVR预测模型
4.2.1 相空间重构PSR
4.2.2 滑动窗口的确定
4.2.3 PSO进行参数寻优
4.3 算法流程框架设计
4.4 仿真结果与分析
4.5 本章小结
第5章 基于支持向量机的回归预测模型
5.1 引言
5.2 PCA-GRID-SVR系统框架设计
5.3 主成分分析原理
5.4 流程框架设计
5.5 仿真实验
5.5.1 数据来源与预处理
5.5.2 预测因子的PCA处理
5.5.3 利用网格搜索算法优化SVR参数
5.5.4 模型预测性能对比分析
5.6 本章小结
第6章 总结与展望
6.1 全文总结
6.2 研究展望
致谢
参考文献
附录 作者在读期间发表的学术论文及参加的科研项目
【参考文献】：
期刊论文
[1]基于最小二乘支持向量机逆系统方法应用研究[J]. 杜青青. 工业仪表与自动化装置. 2019(05)
[2]基于相空间重构小波神经网络的短期覆冰预测[J]. 杨静,李英娜,赵振刚,李川. 传感器与微系统. 2019(09)
[3]基于AP-SVM组合模型的股票价格预测[J]. 胡迪,黄巍. 武汉工程大学学报. 2019(03)
[4]基于神经网络模型的股票预测与研究[J]. 孙伯原. 电子测试. 2019(12)
[5]基于改进随机森林算法的股票趋势预测[J]. 方昕,李旭东,曹海燕,潘鹏. 杭州电子科技大学学报(自然科学版). 2019(02)
[6]基于支持向量机优化的人体动作识别方法[J]. 王晋. 电子设计工程. 2018(17)
[7]基于随机森林的A股股票涨跌预测研究[J]. 林娜娜,秦江涛. 上海理工大学学报. 2018(03)
[8]An Improved Sensor Fault Diagnosis Scheme Based on TA-LSSVM and ECOC-SVM[J]. GU Xiaodan,DENG Fang,GAO Xin,ZHOU Rui. Journal of Systems Science ＆ Complexity. 2018(02)
[9]基于Boruta-PSO-SVM的股票收益率研究[J]. 郭海山,高波涌,陆慧娟. 传感器与微系统. 2018(03)
[10]时间序列分析在金融中的应用[J]. 潘媛. 经贸实践. 2017(18)
博士论文
[1]时间序列模式匹配技术研究[D]. 张勇.华中科技大学 2012
硕士论文
[1]矩阵型截面数据时间序列广义AR（p）模型理论研究及应用[D]. 华楠.华东师范大学 2019
[2]基于FASVR-FWKNN-MACD组合模型的股指交易策略研究[D]. 杨相伟.浙江工商大学 2018
[3]基于PCA-GA-BPNN模型对股价预测的研究[D]. 李海燕.西安理工大学 2018
[4]基于GA-PSO优化支持向量机的遥感图像分类研究[D]. 于梦馨.湖南农业大学 2018
[5]一种基于机器学习的股票预测和量化投资系统[D]. 方朴一.浙江大学 2018
[6]基于TDDPL-FWSVM-FWKNN混合模型的股票价格预测[D]. 孙盼卫.浙江工商大学 2018
[7]MA（1）模型中移动平均系数的有限样本统计推断[D]. 许平.云南财经大学 2016
[8]基于时间序列的股票价格分析研究与应用[D]. 姜乐.大连理工大学 2015
[9]基于数据挖掘的量化投资策略实证研究[D]. 李慧兰.浙江大学 2014
[10]基于时间序列分析掘进工作面突出预测指标预测研究[D]. 张洪祯.辽宁工程技术大学 2012
本文编号：3712854
本文链接：https://www.wllwen.com/guanlilunwen/bankxd/3712854.html
