基于SVM的钢铁价格趋势预测

发布时间：2024-01-25 17:34

　　本文尝试了将钢铁产业的产业分析融合到价格的模型预测中:从宏观的产业周期到微观的供需关系对钢铁行业进行了系统地分析,并由此对钢铁价格的影响因素和形成原因进行了分析。本文基于这些产业分析提出了具体的模型预测方法,运用了一些模型对因子预处理,在模型预测后根据产业的分析对模型的问题和优点做出解释,并尝试改进模型。改进后的结果优于改进前的结果。

【文章页数】：49 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 相关研究现状
        1.2.1 钢铁行业的研究现状
        1.2.2 SVM算法的研究现状
        1.2.3 神经网络算法研究现状
    1.3 创新点和研究展望
    1.4 本文的研究内容及章节结构
第二章 钢铁行业介绍
    2.1 钢铁介绍及冶炼技术
    2.2 钢铁的上游原料
    2.3 钢材的分类及需求
    2.4 黑色系衍生品品种
    2.5 我国钢铁行业发展情况
        2.5.1 我国粗钢消费量常年快速增长
        2.5.2 我国钢材进出口情况
    2.6 钢铁产业周期及国际的借鉴
    2.7 我国钢铁行业现状
第三章 钢铁价格分析
    3.1 钢铁价格简析
    3.2 钢贸商的运作模式与需求
    3.3 价格预测的主要困难
    3.4 真实价值与实际价格
第四章 SVM与BP神经网络分类模型
    4.1 SVM模型
        4.1.1 SVM基本模型
        4.1.2 对偶
        4.1.3 拉格朗日对偶
        4.1.4 KKT条件
        4.1.5 最优分类函数
        4.1.6 核函数及其有效性检验
        4.1.7 正则化与不可分情形
        4.1.8 SMO算法
        4.1.9 Multi-SVM模型
    4.2 BP神经网络模型
        4.2.1 神经元与神经网络
        4.2.2 Sigmoid函数
        4.2.3 BP神经网络算法详解
第五章 实验结果
    5.1 数据的选取与预处理
    5.2 消除数据的季节性因素
        5.2.1 消除季节性方法综述
        5.2.2 我国农历的特殊性
        5.2.3 用ARIMA方法消除库存季节性
    5.3 用Muti-SVM进行价格趋势预测
    5.4 预测结果的评判
    5.5 模型的改进
    5.6 改进后的预测结果
    5.7 BP神经网络的结果
    5.8 基于价格趋势预测和基差的仓位管理
    5.9 分类方法的改进
第六章 结论
参考文献
致谢



本文编号：3885254