支持向量机在金融市场预测中的应用

发布时间：2023-04-28 01:19

　　支持向量机是以统计学习理论为基础,建立在VC维和结构风险最小化原则之上的一种人工智能方法。它在多数情况下可以克服“维数灾难”和局部极小等传统困难,因此拥有很强的泛化能力。该技术现已成为机器学习的研究热点,并在模式识别、图像分类等很多领域得到了成功应用。目前支持向量机主要应用于解决分类和回归问题,很少用于时间序列预测。 时间序列预测是指通过有限的历史样本建立模型,利用模型解释数据的统计学规律以达到控制和预报的目的。预报只是预测的一个方面,而预测一个最重要的功能就是把未来不确定的风险转化为可测算风险。尽管不确定性未知,但风险却可以通过概率分布的统计来度量,比如经验风险、结构风险和各种损失函数等。预测的误差是不可避免的,预测者所能够做的就是尽可能的找到更出色的预测技术来不断降低预测的误差,从而使投资人的目标函数尽可能的利益最大化同时风险最小。近年来,对金融工程研究已成为一大热点,人们将神经网络、混沌理论、遗传算法以及系统理论和当代应用数学研究的最新进展等众多理论与方法应用于金融时间序列预测。本文将最小二乘支持向量算法与时间序列模型相结合应用于金融领域的预测,以期得到更好的推广。 文章绪论部分...

【文章页数】：47 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题提出的背景
    1.2 课题提出的现状
    1.3 预测概述
    1.4 主要工作和研究内容
    1.5 文章组织结构
2 支持向量回归理论
    2.1 理论基础
        2.1.1 经验风险和期望风险
        2.1.2 VC 维
        2.1.3 推广性的界
        2.1.4 结构风险最小化原则
    2.2 支持向量回归算法
        2.2.1 线性回归算法
        2.2.2 非线性回归算法
        2.2.3 最小二乘支持向量回归算法
3 时间序列模型
    3.1 引言
    3.2 一般模型
        3.2.1 一般自回归模型
        3.2.2 自回归移动平均模型
        3.2.3 趋势模型
    3.3 条件异方差模型
        3.3.1 ARCH 模型
        3.3.2 GARCH 模型
        3.3.3 几种扩展模型
4 支持向量回归和时间序列模型在金融市场预测中的应用
    4.1 引言
    4.2 对上证指数的预测
        4.2.1 GARCH 模型预测
        4.2.2 LSSVM ? GARCH? M 模型预测
    4.3 对股指期货走势的预测
        4.3.1 实验数据的选取及处理
        4.3.2 数据检验
        4.3.3 模型预测
    4.4 实验结果分析及展望
        4.4.1 实验结果分析
        4.4.2 展望
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3803449