统计学习方法在金融数据分析中的应用

发布时间：2024-07-09 04:11

　　由于金融计量学和金融统计变得越来越重要,随着全球计算机互联网以及大数据处理技术快速更新,金融方面的数据处理方法由传统统计理论渐渐转为人工智能领域的研究。大量的金融信息处理也带来了技术变革的源动力,加速了理论和应用两个层面的深入研究。因此导致该行业各个方面的统计学习方法研究科研成果越来越丰硕,特别是SVM等理论的广泛应用,为金融方面的数据发掘及经济学中所面临的复杂问题提供了一种全新的解决办法。1.利用网格搜索法优化构建支持向量机股价回归预测模型,该模型主要通过对2007年1月4日至2017年12月29日沪深300中的2676个数据进行处理研究及分析预测。考虑到SVM的核函数对模型预测结果的准确性有很大影响,故本研究重点采用网格搜索法优化算法对支持向量机核函数的参数选择进行了优化,通过比较分析,最终得到了优化后的沪深指数回归预测模型。由实验结果证实:利用支持向量回归机对指数进行预测,取得了良好的效果。2.根据A股非金融类上市公司的因素分类情况,且优化这类公司的分类和效益水平评价更加趋向合理和准确,本部分内容主要基于核主成分和稀疏最小二乘SVM建立一个分类模型。由于最小二乘SVM在实际应用方...

【文章页数】：49 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 金融时间序列数据模型
        1.2.2 支持向量机
    1.3 本研究主要内容和研究方法
        1.3.1 研究内容
        1.3.2 主要研究方法
2 统计学习与支持向量机理论
    2.1 统计学习理论
    2.2 支持向量机理论
        2.2.1 支持向量机基本原理
        2.2.2 线性可分SVM
        2.2.3 近似线性可分SVM
        2.2.4 非线性可分SVM
        2.2.5 基于时间序列支持向量机预测模型
    2.3 PCA及KPCA原理
        2.3.1 主成分分析
        2.3.2 KPCA分析
3 基于SVM的股票指数预测
    3.1 数据来源和指标选取
    3.2 模型建立
    3.3 模型实现
        3.3.1 数据选取
        3.3.2 数据预处理
        3.3.3 参数选择
        3.3.4 利用最佳参数训练SVM模型做拟合预测
    3.4 研究结果及对比分析
4 基于SVM的上市公司多分类与绩效分析
    4.1 研究现状
    4.2 最小二乘SVM与稀疏最小二乘SVM
        4.2.1 最小二乘SVM
        4.2.2 稀疏的最小二乘支持向量机
    4.3 数据与特征指标的选取
    4.4 数据预处理
        4.4.1 分类标准的确定
        4.4.2 KPCA特征提取
    4.5 研究结果分析
        4.5.1 实验结果分析
        4.5.2 对比研究结果及分析
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：4004373