基于支持向量机的中国股票价格研究

发布时间：2017-09-21 03:22

  本文关键词：基于支持向量机的中国股票价格研究

  更多相关文章： 股票市场 支持向量机 混沌系统 粒子群 混合核函数

【摘要】：股票市场本身是一个十分复杂的非线性混沌系统，由于它并不符合长期以来被认为在金融市场具有普遍适用性的有效市场理论（EMH），而且影响股价波动的因素众多，如国家政策、宏观经济运行情况、投资者心理等，因此对于股票市场的预测十分困难，这也一直是金融界的热点及难点。而中国的股票市场又是一个极为特殊的股票市场，它从产生至今仅有短短几十年的历史，至今仍然无法与国外成熟的股票市场完全同步，，甚至出现的很多现象令金融经济学家们也无法解释。股票对于中国的国民经济和百姓生活都有十分重要的影响，因此对其进行有效预测，具有很重要的现实意义。 研究发现，虽然股票市场在长期内无法预测，但是对于短期趋势的预测是可行的。由此产生了很多股市预测分析方法，相比传统的预测方法，人工智能方法显然更有优势和前景。支持向量机（SVM）方法作为其中一种人工智能方法，能够解决非线性、小样本等问题，在股价预测方面比其他方法具有更大的优势。 本文的研究目标是建立中国股票价格的SVM预测模型。本文以股市预测问题为研究对象，选择对股票价格预测有重要影响的相关指标，用SVM方法对其进行回归预测。针对股票市场的混沌特性，本文首先运用SVD降噪方法进行数据预处理，然后运用相空间重构技术，通过C-C算法寻找最佳嵌入维和延迟时间，将原序列嵌入高维空间中，使系统的性质更全面的展现出来，并增加其有序性；同时利用GP算法验证系统的混沌性，以保证相空间重构步骤的使用正确性。而针对SVM中的参数优化和核函数选择这两个关键技术问题，本文运用PSO优化算法进行参数优化，然后选取预测性好的核函数按照一定权重进行组合，通过调整组合参数自行构建最优最适合中国股票市场这一混沌系统的核函数。 对于预测模型的有效性，本文选用上证指数420个交易日的六个指标进行实证研究，逐步实现模型并通过实验检测每一个步骤的结果，保证每一步的最优性，通过实验结果展现模型的预测准确度。实验结果表明，上证指数时间序列确实具有混沌性，而相空间重构、PSO优化算法和混合核函数都使预测准确度获得了提高。用这些技术建立起来的股价预测模型在总体上具有十分优异的预测效果，是可行并且有效的。
【关键词】：股票市场 支持向量机 混沌系统 粒子群 混合核函数
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F832.51;TP181
【目录】：

• 摘要7-8
• Abstract8-10
• 第一章 绪论10-16
• 1.1 研究背景及意义10-11
• 1.2 国内外研究现状11-13
• 1.2.1 股票价格预测的研究现状11-12
• 1.2.2 SVM 在金融预测中的应用研究现状12-13
• 1.3 本文的研究内容13-15
• 1.4 本文主要结构15
• 1.5 本章小结15-16
• 第二章 股票市场预测理论16-19
• 2.1 股票市场的基本指标16-17
• 2.1.1 股票价格16
• 2.1.2 股票价格指数16-17
• 2.2 股票市场的分析方法17-18
• 2.3 本章小结18-19
• 第三章 支持向量机原理19-25
• 3.1 支持向量机的基础19-21
• 3.1.1 机器学习19
• 3.1.2 经验风险最小化19
• 3.1.3 统计学习理论19-21
• 3.2 支持向量机21-24
• 3.2.1 最优分类面与支持向量21-22
• 3.2.2 支持向量分类机22-23
• 3.2.3 支持向量回归机23-24
• 3.3 本章小结24-25
• 第四章 基于改进 SVM 的股价预测模型构建25-36
• 4.1 模型建立总体思想25-27
• 4.1.1 针对股市时间序列的复杂性特征分析25
• 4.1.2 针对 SVM 中的关键问题分析25-26
• 4.1.3 模型建立过程26-27
• 4.2 股市序列的重构27-31
• 4.2.1 混沌理论27-29
• 4.2.2 相空间重构理论29-30
• 4.2.3 股价序列预测模型中的相空间重构30-31
• 4.3 粒子群算法优化 SVM 参数31-33
• 4.3.1 标准粒子群算法31-32
• 4.3.2 基于 PSO 的 SVM 参数优化算法32-33
• 4.4 混合核函数的构造33-35
• 4.5 本章小结35-36
• 第五章 预测模型的实证研究36-50
• 5.1 实验工具36
• 5.2 实验数据36-37
• 5.3 模型评价指标37-38
• 5.4 数据预处理38-40
• 5.4.1 归一化处理38-39
• 5.4.2 奇异值降噪39-40
• 5.5 相空间重构40-42
• 5.6 混沌性判断42-44
• 5.7 参数优化44-45
• 5.8 选择核函数45-49
• 5.8.1 单独核函数 SVM45-47
• 5.8.2 混合核函数47-49
• 5.9 模型最终预测结果49
• 5.10 本章小结49-50
• 第六章 总结与展望50-52
• 6.1 本文主要工作及结论50
• 6.2 未来展望50-52
• 参考文献52-55
• 攻读硕士学位期间发表的论著55-56
• 致谢56

【参考文献】

中国期刊全文数据库 前7条

1 吴江;李太勇;;基于加权支持向量机的金融时间序列预测[J];商业研究;2010年01期

2 庄新田;李冰;;对有效市场的挑战——资本市场分形与混沌的研究综述[J];东北大学学报(社会科学版);2008年02期

3 王国胜,钟义信;支持向量机的若干新进展[J];电子学报;2001年10期

4 盛昭瀚,马军海,陈国华;管理科学:面对复杂性Ⅱ——经济时序动力系统分形及混沌特性分析研究[J];管理科学学报;1998年04期

5 陈成,王永县;股市技术分析理论研究发展综述[J];经济师;2005年05期

6 王国胜,钟义信;支持向量机的理论基础——统计学习理论[J];计算机工程与应用;2001年19期

7 方子良;时序法在股市行情技术分析中的应用[J];南京理工大学学报;1999年02期

本文编号：892086