一种特征自适应赋权的SVM股票趋势预测模型
发布时间：2021-03-18 22:38
随着我国证券市场的不断发展和完善,股票市场作为我国经济“晴雨表”的功能也越来越突出,无论是个人投资者还是国家都十分关注股票市场的走势。若能较为准确的预测股票市场的涨跌趋势,不仅可以为广大投资者提供投资决策的依据,也能够为国家制定相关经济政策提供参考。股票市场具有非线性、高噪声、数据量大等特征,相关的股票分析方法,如基本面分析法、技术面分析法、时间序列分析法等,各有特色,但难以适应日趋复杂的股市。研究表明,股票趋势预测的精度主要受数据质量和算法性能两方面影响。因此,本文提出了一种特征自适应赋权的SVM股票趋势预测模型,设计了基于遗传算法（Genetic Algorithm,GA）特征自适应赋权算法和基于粒子群算法（Particle Swarm Optimization,PSO）的SVM参数优化算法,选定了14个关键的股票财务指标,最终实现了股票涨跌趋势预测模型。在实际股票数据集上的实验结果表明,本文提出的股票趋势预测模型是可行的和有效的,其性能优于决策树模型、KNN模型、Bayes模型和BP神经网络模型。本文主要工作如下:（1）针对股票数据特征,提出了一种基于遗传算法特征自适应赋权和粒子...
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
结构风险最小化原理图
图 2.2 最大边缘超平面示意图可分情况中，假设给定标记的 n 个训练实例{(x1, y1), (x2, y2)练实例 xi∈Rk(i=1,...,n)，类标号为 yi∈{-1,1}，k 为训练实例的界可以表示为：w x + b= 0 和 b 为决策边界的参数。性可分支持向量机性可分问题，为找到具有最大间隔的划分超平面，SVM 学习如下：2,2s.t. ( ) 1, 1, 2,..., .minw bi iwy w x + b ≥ i =n化问题，是一个二次的凸优化问题，通过拉格朗日优化方法对
图 2.3 线性不可分决策边界示意图上述线性不可分问题，运用一种特殊的方法——软边缘(S忍学习得到的决策边界存在一些错误。为此，引入松弛≥0，原约束条件可改为：2, 1+2s.t. ( ) 1 , 1, 2,..., .0, 1, 2,...,minniw b ii i iiwCy w x b i ni nξξξ= + ≥ =≥ = C>0 是一个常数，被称为惩罚系数。C 的大小一般由应用示对错误分类的样例的惩罚越大，即使最大间隔减小，泛化情况相反。可以通过对惩罚系数 C 的调节，使泛化能力和平衡。因此，通过利用拉格朗日方法可以将式(2.15)受约：21 , , , ) || || (1 ( ))2n n ni i i i i b λ ξ μ w C ξ λ ξ y w x bμ= + + +
本文编号：3089047
【文章来源】：郑州大学河南省 211工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
结构风险最小化原理图
图 2.2 最大边缘超平面示意图可分情况中，假设给定标记的 n 个训练实例{(x1, y1), (x2, y2)练实例 xi∈Rk(i=1,...,n)，类标号为 yi∈{-1,1}，k 为训练实例的界可以表示为：w x + b= 0 和 b 为决策边界的参数。性可分支持向量机性可分问题，为找到具有最大间隔的划分超平面，SVM 学习如下：2,2s.t. ( ) 1, 1, 2,..., .minw bi iwy w x + b ≥ i =n化问题，是一个二次的凸优化问题，通过拉格朗日优化方法对
图 2.3 线性不可分决策边界示意图上述线性不可分问题，运用一种特殊的方法——软边缘(S忍学习得到的决策边界存在一些错误。为此，引入松弛≥0，原约束条件可改为：2, 1+2s.t. ( ) 1 , 1, 2,..., .0, 1, 2,...,minniw b ii i iiwCy w x b i ni nξξξ= + ≥ =≥ = C>0 是一个常数，被称为惩罚系数。C 的大小一般由应用示对错误分类的样例的惩罚越大，即使最大间隔减小，泛化情况相反。可以通过对惩罚系数 C 的调节，使泛化能力和平衡。因此，通过利用拉格朗日方法可以将式(2.15)受约：21 , , , ) || || (1 ( ))2n n ni i i i i b λ ξ μ w C ξ λ ξ y w x bμ= + + +
本文编号：3089047
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/3089047.html
