基于改进支持向量回归机的股价预测研究

发布时间：2017-08-05 12:08

  本文关键词：基于改进支持向量回归机的股价预测研究

  更多相关文章： 股票价格预测 遗传算法优化 线性局部切空间排列 支持向量回归机

【摘要】：如今人们对股票交易的兴趣日益见长,希望通过对股市各种信息的综合分析来帮助指导股票交易,以获得高额利润。然而股票价格受到多方面因素的影响,具有非线性,时变性和高度不稳定性等特点,导致股票价格非常难以预测。传统的时间序列预测法不能提取股票数据的非线性特征,神经网络算法又容易陷入局部极小,易造成过拟合,且股票数据含有大量噪声和冗余信息,导致预测精度不高。针对以上问题,本文引入流形学习中的线性局部切空间排列算法,应用改进的支持向量回归机来预测股票价格,主要研究工作是:(1)总结分析股票价格预测领域的国内外研究现状,指出现有方法存在的各种不足和缺陷。(2)归纳股票价格预测的相关知识和基本原理,并简要介绍了股票价格预测模型用到的支持向量回归机的算法理论。(3)在股票价格预测领域第一次引入流形学习中的线性局部切空间排列算法,将股票数据看成一个非线性流形,提取其中隐藏的模式,并同时降低数据噪声,去除冗余信息,最终使得提取到的特征更加具有区分度和代表性,从而提高预测精度。(4)结合线性局部切空间排列算法,提出了一种新的支持向量回归机的股价预测优化模型。该模型首先利用线性局部切空间排列算法对股票原始数据进行特征提取,然后采用具有全局最优解的支持向量回归机对提取到的特征和股票价格之间的非线性关系建模,并利用遗传算法优化支持向量回归机的参数,最终提高股票价格的预测精度。(5)通过大量的实验对本文提出模型的适应性和推广能力进行了验证。实验选取了不同国家、不同种类和不同时间段的四只股票:上证指数、标准普尔500指数、IBM公司发行股票和Microsoft公司发行股票作为本文的实验支撑数据,并与4种传统特征提取算法和3种经典股票价格预测模型进行了对比。研究表明本文提出的融合线性局部切空间排列和遗传算法优化的支持向量回归机股价预测模型不仅预测精度高,而且具有强大的泛化能力和良好的推广性,对于指导股票交易具有很大的实用价值。
【关键词】：股票价格预测 遗传算法优化 线性局部切空间排列 支持向量回归机
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F831.51;TP18
【目录】：

• 中文摘要3-4
• 英文摘要4-8
• 1 绪论8-15
• 1.1 研究背景与意义8-9
• 1.2 国内外研究现状9-12
• 1.2.1 国内研究现状9-10
• 1.2.2 国外研究现状10-11
• 1.2.3 文献评述11-12
• 1.3 论文研究内容12-13
• 1.4 论文组织结构13-15
• 2 股票价格预测相关知识15-18
• 2.1 股票的概念及其影响因素15
• 2.2 股票价格预测的常用指标15-16
• 2.3 股票价格预测的基本方法16-17
• 2.4 本章小结17-18
• 3 支持向量回归机算法18-24
• 3.1 支持向量机理论18-20
• 3.1.1 支持向量机基本原理18-19
• 3.1.2 核函数19-20
• 3.2 支持向量回归机理论20-22
• 3.3 支持向量回归机参数选择问题22-23
• 3.3.1 核参数σ22
• 3.3.2 惩罚因子C22
• 3.3.3 不敏感系数ε22-23
• 3.4 本章小结23-24
• 4 基于改进的支持向量回归机股价预测模型24-35
• 4.1 线性局部切空间排列算法24-27
• 4.1.1 流形学习24-25
• 4.1.2 LLTSA算法基本原理25-27
• 4.2 遗传算法27-29
• 4.2.1 遗传算法参数寻优27-29
• 4.3 基于LLTSA的GA-SVR模型29-34
• 4.3.1 模型预测流程29-33
• 4.3.2 SVR参数范围确定33-34
• 4.3.3 GA参数范围确定34
• 4.4 本章小结34-35
• 5 股票价格预测的实验和结果分析35-61
• 5.1 数据样本选取及预处理35-38
• 5.1.1 数据样本选取35-38
• 5.1.2 数据预处理38
• 5.2 基于LLTSA的GA-SVR股价预测实验38-40
• 5.2.1 实验环境38
• 5.2.2 参数设置38-39
• 5.2.3 评价指标39
• 5.2.4 遗传算法寻优39
• 5.2.5 实验结果39-40
• 5.3 不同特征提取选择方法的对比评估40-51
• 5.3.1 2012到2013年对比评估41-46
• 5.3.2 2014到2015年对比评估46-51
• 5.3.3 结果分析51
• 5.4 不同预测模型的对比评估51-60
• 5.4.1 2012到2013年对比评估51-56
• 5.4.2 2014到2015年对比评估56-60
• 5.4.3 结果分析60
• 5.5 本章小结60-61
• 6 总结与展望61-63
• 6.1 论文总结61-62
• 6.2 论文展望62-63
• 致谢63-64
• 参考文献64-67
• 附录67
• A. 作者在攻读学位期间完成的论文目录67

【相似文献】

中国期刊全文数据库 前10条

1 施航;马琳达;;人工神经网络在股票价格预测中的应用[J];电脑开发与应用;2007年09期

2 王晴;;组合模型在股票价格预测中应用研究[J];计算机仿真;2010年12期

3 刘小兰;;改进支持向量机的股票价格预测研究[J];农业网络信息;2012年09期

4 李忍东;饶佳艺;严亚宁;;基于智能计算的股票价格预测[J];科技通报;2013年04期

5 徐维维;高风;;灰色算法在股票价格预测中的应用[J];计算机仿真;2007年11期

6 朱嘉瑜;叶海燕;高鹰;;基于隐马尔可夫模型的股票价格预测组合模型[J];计算机工程与设计;2009年21期

7 王玲;;最优组合模型在证券市场预测中的应用研究[J];计算机仿真;2012年01期

8 王煜坤;张yN;;属性聚类网络在股票价格预测中的应用[J];电脑知识与技术;2009年18期

9 杨震;;基于后效时间长度的股票价格预测[J];计算机仿真;2012年02期

10 江龙;薛佳佳;;基于差值灰色RBF网络模型股票价格预测研究[J];广西大学学报(自然科学版);2012年03期

中国重要会议论文全文数据库 前1条

1 于志军;杨善林;;基于误差校正的GARCH股票价格预测模型[A];“两型社会”建设与管理创新——第十五届中国管理科学学术年会论文集（上）[C];2013年

中国硕士学位论文全文数据库 前10条

1 程隆昌;灰色GM(1,2)模型在股票价格预测中的应用[D];天津财经大学;2015年

2 罗必辉;基于改进支持向量回归机的股价预测研究[D];重庆大学;2016年

3 沈志刚;支持向量回归机在股票价格预测中的分析与应用[D];暨南大学;2007年

4 吕欣;基于神经网络股票价格预测模型及系统的研究[D];吉林大学;2010年

5 高立刚;支持向量机及其在股票价格预测方面的应用[D];北京工业大学;2006年

6 胡艺博;基于小波—粒子滤波算法的股票价格预测研究[D];吉林大学;2008年

7 陈丽琼;函数型数据分析方法在股票价格预测上的应用[D];厦门大学;2014年

8 唐广宇;股票价格预测的时间序列组合模型方法[D];湘潭大学;2013年

9 张克宜;基于改进GM（1，N）和优化SVM组合模型的股票价格预测[D];哈尔滨工业大学;2013年

10 姜爱宇;部分线性模型在股票价格预测中的应用研究[D];辽宁师范大学;2012年

，

本文编号：624806