支持向量回归在金融时间序列预测中的应用

发布时间：2017-10-04 21:22

  本文关键词：支持向量回归在金融时间序列预测中的应用

  更多相关文章： 支持向量回归 金融时间序列 条件异方差模型 结构风险最小化 核函数

【摘要】：经典统计理论在处理低维数据的分类和估计问题中做出了巨大的贡献。20世纪90年代美国的Vapnik提出了支持向量机(Support Vector Machine,SVM)理论,主要是针对小样本建立一个新体系,不仅充分考虑了渐近问题,还可以在有限条件下得到问题的最优解。目前支持向量机主要在分类和回归问题上有广泛的应用与研究,而在预测方面还有很大的推广空间。在实际的金融数据中,时间序列数据间是相互依存、相互关联的,金融市场过去和现在的发展变化规律,会直接影响到金融市场未来的发展水平。利用时间序列分析理论进行合理的建模,依靠历史数据样本,对未知数据进行预测,进一步推测金融市场未来的发展趋势及其风险价值,以期尽量减少不必要的经济损失。在实际应用中,建立的时间序列模型只是对实际数据的近似逼近,而非完全吻合,所以对未知数据的预测有待考证。一般情况下,分别采用不同的模型进行建模和预测,然后经过比较分析,在抉择哪种模型的准确率和精度更高。本文首先简要的介绍了一些时间序列的基本理论,并分别列举出几种时间序列模型和条件异方差模型,然后在此基础上比较详细的介绍了支持向量回归的原理、算法及实现过程。并将此方法应用于西南证券股票的日收盘价和上证指数进行验证,也与传统时间序列的预测方法进行比较,发现支持向量回归的预测精度更高,这体现出支持向量回归在对金融时间序列的预测方面的确具有良好的有效性。
【关键词】：支持向量回归 金融时间序列 条件异方差模型 结构风险最小化 核函数
【学位授予单位】：辽宁师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F830;F224
【目录】：

• 摘要4-5
• Abstract5-7
• 1 绪论7-9
• 1.1 课题研究的背景7
• 1.2 课题研究的现状7-8
• 1.3 主要的研究内容8
• 1.4 本文的组织结构8-9
• 2 时间序列理论9-18
• 2.1 时间序列相关概念9-11
• 2.1.1 时间序列定义9
• 2.1.2 平稳时间序列定义9-11
• 2.2 一般时间序列模型11-14
• 2.2.1 AR模型及其统计特性11-12
• 2.2.2 MA模型及其统计特性12-13
• 2.2.3 ARMA模型及其统计特性13
• 2.2.4 ARIMA模型及其统计特性13-14
• 2.3 条件异方差模型14-18
• 2.3.1 ARCH模型及其统计特性14-15
• 2.3.2 GARCH模型及其统计特性15-18
• 3 支持向量回归理论18-24
• 3.1 理论基础18-19
• 3.1.1 V C维18
• 3.1.2 经验风险最小化准则和结构风险最小化准则18-19
• 3.1.3 核函数19
• 3.2 支持向量回归算法19-24
• 3.2.1 线性回归算法20-22
• 3.2.2 非线性回归算法22-24
• 4 支持向量回归在金融时间序列预测中的应用24-32
• 4.1 引言24
• 4.2 西南证券数据的拟合与预测24-28
• 4.2.1 数据的来源及预处理24-25
• 4.2.2 数据检验25-26
• 4.2.3 模型的识别与建立26-28
• 4.2.4 预测精度的比较分析28
• 4.3 上证指数数据的拟合与预测28-31
• 4.4 小结31-32
• 5 结论与展望32-33
• 参考文献33-34
• 攻读硕士学位期间发表学术论文情况34-35
• 致谢35

【相似文献】

中国期刊全文数据库 前10条

1 许清海;混沌投资时间序列的嬗变[J];漳州师范学院学报(自然科学版);2003年01期

2 高洁;孙立新;;长记忆时间序列的适应性预测误差的谱密度[J];统计与决策;2006年13期

3 黄超;龚惠群;;金融领域时间序列挖掘技术研究[J];东南大学学报(哲学社会科学版);2007年05期

4 耿显民;;价格时间序列及其应用(英文)[J];数学季刊;2008年01期

5 杜江;李玉蓉;钟菲菲;;基于模糊时间序列对我国对外贸易中的进口水平的预测[J];统计与决策;2010年23期

6 王朝;;浅述时间序列的预测方法[J];商业文化(下半月);2012年03期

7 刘猛洪;汪爱丽;;基于模糊时间序列的短期电力负荷预测[J];电子世界;2013年07期

8 刘彩霞;;时间序列在粮食预测中的应用[J];东方企业文化;2013年09期

9 邓树增;技术发展的时间序列律[J];科学学研究;1988年01期

10 肖牧;确定经济因素对地方当局政策的影响:利用时间序列和转换的功能模型[J];管理科学文摘;1996年01期

中国重要会议论文全文数据库 前10条

1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年

2 马培蓓;纪军;;基于时间序列的航空备件消耗预测[A];中国系统工程学会决策科学专业委员会第六届学术年会论文集[C];2005年

3 卢世坤;李夕海;牛超;陈蛟;;时间序列的非线性非平稳特性研究综述[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

4 李强;;基于线性模型方法对时间序列中异常值的检测及证券实证分析[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策（上册）[C];2002年

5 戴丽金;何振峰;;基于云模型的时间序列相似性度量方法[A];第八届中国不确定系统年会论文集[C];2010年

6 谢美萍;赵希人;庄秀龙;;多维非线性时间序列的投影寻踪学习逼近[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年

7 张大斌;李红燕;刘肖;张文生;;非线性时问序列的小波-模糊神经网络集成预测方法[A];第十五届中国管理科学学术年会论文集（下）[C];2013年

8 黄云贵;;基于时间序列的电网固定资产投资规模研究[A];2012年云南电力技术论坛论文集（文摘部分）[C];2012年

9 李松臣;张世英;;时间序列高阶矩持续和协同持续性研究[A];21世纪数量经济学（第8卷）[C];2007年

10 陈赫;罗声求;;历史横断面数据的时间序列化[A];科学决策与系统工程——中国系统工程学会第六次年会论文集[C];1990年

中国重要报纸全文数据库 前6条

1 ;《时间序列与金融数据分析》[N];中国信息报;2004年

2 何德旭 王朝阳;时间序列计量经济学：协整与有条件的异方差自回归[N];中国社会科学院院报;2003年

3 刘俏;让数据坦白真相[N];21世纪经济报道;2003年

4 西南证券高级研究员 董先安邋德圣基金研究中心 郭奔宇;预计6月CPI同比上涨7.2%[N];证券时报;2008年

5 东证期货 王爱华　杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年

6 任勇邋郑重;中国对世界钢材价格的影响实证分析[N];现代物流报;2007年

中国博士学位论文全文数据库 前10条

1 张墨谦;遥感时间序列数据的特征挖掘：在生态学中的应用[D];复旦大学;2014年

2 张德成;滑坡预测预报研究[D];昆明理工大学;2015年

3 苗圣法;时间序列的模式检测[D];兰州大学;2015年

4 翁同峰;时间序列与复杂网络之间等价性问题及表征应用研究[D];哈尔滨工业大学;2015年

5 杨婷婷;用Argo浮标结合卫星观测估算北太平洋经向热输运[D];中国科学院研究生院(海洋研究所);2015年

6 王晓晔;时间序列数据挖掘中相似性和趋势预测的研究[D];天津大学;2003年

7 李桂玲;时间序列的分割及不一致发现研究[D];华中科技大学;2012年

8 周勇;时间序列时序关联规则挖掘研究[D];西南财经大学;2008年

9 张勇;时间序列模式匹配技术研究[D];华中科技大学;2012年

10 董晓莉;时间序列数据挖掘相似性度量和周期模式挖掘研究[D];天津大学;2007年

中国硕士学位论文全文数据库 前10条

1 陈健;基于多变量相空间重构的投资组合策略研究[D];华南理工大学;2015年

2 兰鑫;时间序列的复杂网络转换策略研究[D];西南大学;2015年

3 米晓将;区域尺度下月均气温的时空演化格局研究[D];昆明理工大学;2015年

4 张鸣敏;基于支持向量回归的PM_(2.5)浓度预测研究[D];南京信息工程大学;2015年

5 林健;基于改进小世界回声状态网的时间序列预测[D];渤海大学;2015年

6 曹智丽;日气温和干旱指数支持向量回归预测方法[D];南京信息工程大学;2015年

7 高雄飞;基于分形理论的土壤含水量时间序列特性分析[D];长安大学;2015年

8 姚茜;城市安全生产发展目标研究[D];中国地质大学(北京);2015年

9 谢翠颖;苏州社会消费品零售总额简析[D];苏州大学;2015年

10 包仁义;基于时间序列的搜索引擎评估模型算法研究[D];东北师范大学;2015年

，

本文编号：972923