改进的TSVR模型在股市高频数据上的预测

发布时间：2021-04-13 22:02

　　为构建更精准的股票价格预测模型,提出具有局部信息挖掘功能的DNN加权算法对eplion-TSVR模型进行改进,并对改进模型的求解进行推导,针对DNN算法对于参数的选取太过随意,提出使用网格搜索法确定DNN的最优参数以确定最优DR域。搜集中国上证A股中的15支股票的日价格和高频5分钟价格数据并计算其技术指标,对20天以及20分钟后的收盘价进行实证预测。预测结果显示,改进模型在高频股票数据上具有很好的预测能力和泛化性能。 

【文章来源】：计算机工程与设计. 2019,40(11)北大核心

【文章页数】：6 页

【文章目录】：
0 引言
1 文献综述
2 模型
    2.1 DNN算法及基于DNN的样本加权新方法
    2.2 e-TSVR模型
        2.2.1 线性e-TSVR模型
        2.2.2 非线性e-TSVR模型
    2.3 改进的DNN加权e-TSVR模型
3 实证验证
    3.1 数据及数据预处理
    3.2 模型评价指标
    3.3 实证结果
    3.4 结论
4 结束语


【参考文献】：
期刊论文
[1]基于离散小波分解和支持向量机的股指组合预测[J]. 严骏宏.  统计与决策. 2017(03)
[2]基于PCA-FOA-SVR的股票价格预测研究[J]. 王卫红,卓鹏宇.  浙江工业大学学报. 2016(04)
[3]关于股票价格优化预测的建模仿真研究[J]. 陈远,罗必辉,蒋维琛,孙宏伟.  云南大学学报(自然科学版). 2016(04)
[4]基于改进的支持向量回归机的金融时序预测[J]. 陈懿冰,张玲玲,聂广礼,石勇.  数学的实践与认识. 2012(04)



本文编号：3136084