基于支持向量机的股市预测研究

发布时间：2020-06-19 19:30

【摘要】： 股票市场不仅是国家经济的“睛雨表”,更是企业融资和广大股民投资的重要手段,对股票的预测研究无论对散户投资者、企业还是政府相关政策的制定都具有重大的理论与现实意义。支持向量机是数据挖掘中的一项新技术,它建立在统计学习理论的VC维理论与结构风险最小化原则基础上,在高维模式识别、函数拟合、时间序列预测方面表现出特有的优势。本文内容主要分为四个部分: 第一部分:在参考了国内外大量文献的基础上,对金融股市预测方法做了全面的介绍,并重点介绍了统计学习理论和支持向量机。 第二部分:对几种典型的核函数的参数选择进行了详细的研究,并针对金融时间序列近期样本数据远比早期重要的特点,在多项式核和高斯径向基核的基础上,构造了新的核函数:金融核。实证表明新的核函数具有更好的优越性。 第三部分:在基于金融核的基础上对标准支持向量机和几种变形支持向量机:v-SVR、LS-SVR、AP-SVR进行了对比研究,实证表明AP-SVR在预测精度上更有优势,但是参数控制很困难,训练时间过长。LS-SVR的预测精度最低,但是训练时间最快。v-SVR在参数选择和控制上更加方便,训练时间也快。针对股市预测的特点,采用v-SVR进行预测比较好。 第四部分:针对股市时间序列数据非平稳性、低信噪比这两个典型的特征,在基于金融核和v-SVR的基础上提出了基于k均值支持向量机的二阶段预测模型,先对训练数据进行k-means聚类分析,再用基于金融核的v-SVR进行预测,实证表明二阶段模型极大提高了预测精度,具有更好的鲁棒性。最后在此模型的基础上对股市三种典型的数据进行了50天滚动预测。 本文提出的基于金融核的二阶段预测模型在预测结果上来看是令人满意的,与传统的SVM预测模型相比,无论在学习能力和泛化能力上看都具有明显的优越性。
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：F830.91;TP18
【图文】：

图2.7组合核与金融核之间预测效果的对比从图2.5、2.6、2.7的预测结果比较中可以看出rbf、poly和组合核的差距是很大，高斯径向基核在前巧步预测精度较高，越到后面精度稍差，因为高核的泛化能力不如多项式核，而多项式核在后面的预测精度比高斯核要好，前几步不如高斯径向基核，而组合核无论从学习能力还是泛化性能上表现的都与个核函数差不多，优势不明显，而且在组合系数上的选择要十分小心。而新构的金融核函数在预测中的表现比其它几种核函数都具有更出色的学习能力和测精度，这一点从NMSE、MAE、DS上看尤为明显。但是金融核虽然性能优越，同时也增加了参数选择的困难，比如这里多了一个控制参数b，不过在实验中的取值为10左右较好，用金融核的时候训练时间也增加不少，因为每次计算矩阵的时候都要重新计算衣，因此样本数不宜太大。

入参数有开盘价、收盘价、最高价、最低价、成交量、当日涨跌幅度，预测下一日涨跌幅，用一1和1表示，数据归一化后用10折交叉验证再进行网格搜索，我们采用LIBSVM下面的grid.py工具绘出等高线如图4.3所示。从图中可以看出，当e取s、gamma取0.125的时候ev:ate为59.07530，0，然后我们再去构造模型，对后25天验证集进行预测，预测准确率为68%

【引证文献】

相关硕士学位论文 前2条

1 王欣冉;基于小波包与最小二乘支持向量机的时间序列预测研究[D];中国地质大学（北京）;2011年

2 郑艳清;粒子群优化的支持向量机在股票预测中的研究与应用[D];广东工业大学;2012年

本文编号：2721245