基于支持向量机的股指时间序列预测

发布时间：2020-09-07 17:42

　　 股票市场预测是一个小样本,复杂系统分析预测的问题,本文将统计学习理论引入该领域,结合混沌时间序列分析方法,进行了一些探讨,介绍了基于统计学习理论的支持向量机方法。在实际运用中,我们选择了标准支持向量机的变体——最小二乘法支持向量机工具LSSVM.M,此工具运行环境为MATLAB软件。为了保证LSSVM.M处理数据的准确性,本文对此工具的预测和拟合性能进行了验证,发现本工具的问题主要是预测的结果不理想,通过详细的分析,我们对它进行了改进。最后,使用改进后的工具对金融时间序列数据进行处理,得到了较好的结果。 主要研究内容与结论如下:研究支持向量机的数学模型,从理论上分析支持向量机在小子样数据处理中的优势,并指出支持向量机在实际运用中的缺陷。采用一种支持向量机的进化工具“最小二乘支持向量机LSSVM.M”对数据进行分析。在研究LSSVM.M的基本框架和算法流程的基础上,对预测和拟合效果进行测试,发现参数选择是影响其预测效果的主要因素。本文从网格搜索和留一交叉验证的原理出发,提出一种改进的参数优化方法,先对参数所在区域进行搜索,使搜索参数区域逐步精确缩小,然后再对参数进行优化选择。实例证明改进的方法提高了LSSVM.M工具预测的准确性。用改进的LSSVM.M工具对时间序列进行预测,建立时间序列预测模型。综上所述,本文提出了一种可行的时间序列分析方法,讨论了参数如何进行优化,将其应用于上证指数的预测,取得了一定的效果
【学位单位】：西南交通大学
【学位级别】：硕士
【学位年份】：2008
【中图分类】：F830.91;F224
【部分图文】：

、 、志 志图3一4无参数优化的拟合结果图图3一为无参数优化的拟合结果，其误差为6X10习，拟合效果较理想。图3一5为有参数优化的结果，其优化范围根据经验设定为ZE[l，10201，护二〔10一，”，10，“〕，误差为1.7x10一7。可见

OOOOO、 、志 志图3一4无参数优化的拟合结果图图3一为无参数优化的拟合结果，其误差为6X10习，拟合效果较理想。图3一5为有参数优化的结果，其优化范围根据经验设定为ZE[l，10201，护二〔10一，”，10，“〕，误差为1.7x10一7。可见

图3一6无参数优化的预测结果图为改善预测效果，在第二次预测测试时，我们使用LSSVM.M自带的参数优化方法对Z和扩进行优化之后，再进行训练和回归。预测结果如图3一7所示，误差为10.24，效果相对好一些，但是仍然是不理想的。一 一}l一一 一〔 〔〔 OOOOO ~~~+++， ，甲 甲决决l甲 1111111图3一7参数优化后的预测结果图3.3.2问题分析通过大量的试验演算的结果分析，可以得出结论:参数选择对工具预测和拟合的效果影响是比较大的。且在工具LSSVM.M中，对于同一组数据选择不同的核函数，基本上都可以得到相近的训练效果。以RBF为例

【引证文献】

相关博士学位论文 前1条

1 董丁稳;基于安全监控系统实测数据的瓦斯浓度预测预警研究[D];西安科技大学;2012年

相关硕士学位论文 前3条

1 赵欣;基于支持向量机的中国证券市场长期投资分析[D];北京交通大学;2011年

2 杨飞;基于SVM的煤炭销售分析预测系统的研究[D];太原科技大学;2011年

3 黄巧英;基于时变系统的支持向量机预测模型及其应用[D];西南石油大学;2011年

本文编号：2813638