基于PSO-LSSVR优化算法中文的互联网金融收益率预测研究
发布时间:2017-05-13 22:12
本文关键词:基于PSO-LSSVR优化算法中文的互联网金融收益率预测研究,由笔耕文化传播整理发布。
【摘要】:近年来互联网科技突飞猛进,从云计算、物联网到雾计算、AlphaGo“人机大战”等一系列技术和应用应运而生,有力地冲击了传统行业。互联网金融是在互联网科技创新和传统金融行业融合的背景下产生的,特别是互联网金融的收益率大小对指导金融投资、推动我国利率市场化和发展普惠金融有着及其深刻的影响,因此对互联网金融收益率的预测研究显得尤其重要。本文以余额宝七日年化收益率数据作为研究对象,分别用前馈神经网络(BPNN)、小波神经网络(WNN)、支持向量回归机(SVR)和粒子群算法优化的最小二乘支持向量回归机(PSO-LSSVR)四种机器学习算法对训练集进行数据挖掘和仿真模拟,然后用测试集数据对仿真模型的预测效果进行检验,结果表明:SVR和PSO-LSSVR相对于神经网络算法的预测效果较好。然后,我们再选取嘉实活期宝货币基金收益率数据对上述方法进行验证比较,结果同样表明:PSO-LSSVR的预测效果比神经网络的预测效果好,且PSO-LSSVR的预测效果比普通SVR的预测效果好。文章通过实证分析对互联网金融收益率的趋势进行了良好预测,其实际意义表现在三个方面:第一,互联网金融作为一个创新的金融平台也具有传统金融所面临的投资风险,对互联网金融收益率走势的准确预测能够指导投资者进行投资;第二,互联网金融机制是完全市场化的,研究互联网金融收益率未来走势有助于研究我国利率市场化的进程;第三,互联网金融作为一个高效的大众理财平台,互联网金融收益率走势有助于研究我国践行普惠金融的进展。
【关键词】:互联网金融 机器学习 数据挖掘 支持向量机
【学位授予单位】:兰州大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:F724.6;F832.2;F224
【目录】:
- 中文摘要3-4
- 英文摘要4-7
- 第一章 绪论7-14
- 1.1 课题的背景及意义7-9
- 1.1.1 课题研究的背景7-8
- 1.1.2 课题研究的意义8-9
- 1.2 国内外研究现状9-12
- 1.2.1 国外部分9-10
- 1.2.2 国内部分10-12
- 1.3 本文的主要内容及结构12-14
- 1.3.1 本文主要研究内容12
- 1.3.2 本文篇章结构12-14
- 第二章 互联网金融相关理论14-17
- 2.1 互联网金融及其发展14-15
- 2.1.1 互联网金融定义14
- 2.1.2 互联网金融发展14-15
- 2.2 余额宝15-17
- 第三章 统计学习理论与支持向量机17-22
- 3.1 统计学习理论17-19
- 3.1.1 机器学习17
- 3.1.2 VC维17-18
- 3.1.3 结构风险最小化18-19
- 3.2 支持向量机理论19-22
- 3.2.1 支持向量机原理19-20
- 3.2.2 核函数20-22
- 第四章 模型仿真与实证分析22-45
- 4.1 数据选取22-24
- 4.2 实证分析24-35
- 4.2.1 BP神经网络24-27
- 4.2.2 小波神经网络27-31
- 4.2.3 支持向量回归机31-33
- 4.2.4 模型汇总33-35
- 4.3 粒子群算法优化最小二乘支持向量机35-41
- 4.3.1 最小二乘支持向量机35-36
- 4.3.2 粒子群算法36-38
- 4.3.3 PSO算法优化前后对比38-41
- 4.4 模型验证41-45
- 第五章 结论与展望45-47
- 5.1 本文结论45
- 5.2 未来展望45-47
- 参考文献47-50
- 致谢50
【相似文献】
中国硕士学位论文全文数据库 前1条
1 许伟;基于PSO-LSSVR优化算法中文的互联网金融收益率预测研究[D];兰州大学;2016年
本文关键词:基于PSO-LSSVR优化算法中文的互联网金融收益率预测研究,,由笔耕文化传播整理发布。
本文编号:363767
本文链接:https://www.wllwen.com/jingjilunwen/guojimaoyilunwen/363767.html