基于支持向量回归的上证50股票价格预测研究
发布时间：2021-06-25 18:50
随着中国的股票市场的高速发展,每天都会产生大量的股票数据,对这些数据的有效预测,对于股票投资者来说,是非常重要且具有价值的事情。本文以上证50指数为研究对象,在广泛查阅与股票价格预测方法相关的文献的基础上,提出了用支持向量回归模型对股票价格做预测。首先通过相关性检验,以上证50指数常用的六个指标作为自变量,以第二天股票的开盘价作为因变量。分别以前一天到前五天的历史数据建立五个模型。通过支持向量回归进行训练与预测,根据误差指标,选出对第二天开盘价预测最好的模型;但是,由于股票受多种因素的影响,往往无法对第二天开盘价进行精准预测,所以我们提出以时间窗口作为自变量,将开盘价进行模糊粒化,通过模糊粒子对开盘价的变化趋势和变化范围进行预测,用支持向量回归进行训练与预测。结果发现,在股票波动幅度较大地方,模型预测误差较大,所以我们对模型提出改进,选取模糊粒化后的指标作为自变量,消除时间对模型预测的影响。研究结果发现,以前一天的六个指标对第二天开盘价进行预测的效果最好,这不同于我们通常认为的使用的输入变量越多越好;在对开盘价的变化趋势和变化范围进行预测时,通过对支持向量回归模型的改进,我们基本消除了...
【文章来源】：安徽师范大学安徽省
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
图３－３交叉验证参数粗略选择结果图??由图３－３可以看出，经过粗略选择，最优参数ｃ＝０．５７，ｇ＝ｌ．７４，此时Ｂｅｓｔ?Ｃｒｏｓｓ??
ｌｏｇ２ｃ??图３－４交叉验证参数精细选择结果图??由图３－４可以看出，经过进一步的精细选择，最优参数ｃ＝０．５，ｇ＝２．此时Ｂｅｓｔ?Ｃｒｏｓｓ??Ｖａｌｉｄａｔｉｏｎ?ＭＳＥ＝０．０００９３?８８６＜０．０００９９１５２，说明精度更高。??３．２．４模型训练和预测??将精细选择得到的最优参数ｃ和ｇ带入模型进行训练，通过训练，得到支持向量??回归模型具体向量和参数如下??．：：：二二二：ｚｉ??，……—－－■：?Ｊ国１ｘ１?ｓｔｒｕｃｔ?＆含１１个字段??ｍｏｄｅｌ?萬???????＇?字Ｓ?‘?值?最小值最又直??土ｊ?Ｐａｒａｍｅｔｅｒｓ?［３；２；３；２；０］?０?３??ｎｒ＿ｄａｓｓ?２?２?２??５?ｔｏｔａｌＳＶ?２０４?２０４?．?２０４??－ｆｉ?ｒｈｏ?－１．４９３６?－１．４９．．．?－Ｌ４９．．．??Ｂ?Ｌａｂｅｌ?／／??￣ｊ￣ｌ?ｓｖｊｎｄｉｃｅｓ?２０４ｘ１?ｄｏｕｂｌｅ?３?２１６５??￣ｔ￣ｌ?ＰｒｏｂＡ?／／??５?ＰｒｏｂＳ?［Ｊ??田?ｎＳＶ?［ｊ??￣Ｈ?ｓｖ＿ｃｏｅｆ?２０４ｘ１?ｄｏｕｂｌｅ?－０，５０．？?０．
－４－３－２－１０１２３４??ｌｏｇ２ｃ??图３－４交叉验证参数精细选择结果图??由图３－４可以看出，经过进一步的精细选择，最优参数ｃ＝０．５，ｇ＝２．此时Ｂｅｓｔ?Ｃｒｏｓｓ??Ｖａｌｉｄａｔｉｏｎ?ＭＳＥ＝０．０００９３?８８６＜０．０００９９１５２，说明精度更高。??３．２．４模型训练和预测??将精细选择得到的最优参数ｃ和ｇ带入模型进行训练，通过训练，得到支持向量??回归模型具体向量和参数如下??．：：：二二二：ｚｉ??，……—－－■：?Ｊ国１ｘ１?ｓｔｒｕｃｔ?＆含１１个字段??ｍｏｄｅｌ?萬???????＇?字Ｓ?‘?值?最小值最又直??土ｊ?Ｐａｒａｍｅｔｅｒｓ?［３；２；３；２；０］?０?３??ｎｒ＿ｄａｓｓ?２?２?２??５?ｔｏｔａｌＳＶ?２０４?２０４?．?２０４??－ｆｉ?ｒｈｏ?－１．４９３６?－１．４９．．．?－Ｌ４９．．．??Ｂ?Ｌａｂｅｌ?／／??￣ｊ￣ｌ?ｓｖｊｎｄｉｃｅｓ?２０４ｘ１?ｄｏｕｂｌｅ?３?２１６５??￣ｔ￣ｌ?ＰｒｏｂＡ?／／??５?ＰｒｏｂＳ?［Ｊ??田?ｎＳＶ?［ｊ??￣Ｈ?ｓｖ＿ｃｏｅｆ?２０４ｘ１?ｄｏｕｂｌｅ?－０，５０．？?０．５０００??Ｓ?ＳＶｓ?２０４ｘ６?ｓｐａｒｓｅ?ｄｏａｂｌ
【参考文献】：
期刊论文
[1]基于SVM的上证指数预测研究[J]. 张晶华,莫文柯,甘宇健. 软件导刊. 2017(08)
[2]基于模糊信息粒化和支持向量机的空调负荷预测[J]. 侯聪,何大四,靳晓东. 建筑热能通风空调. 2017(02)
[3]基于支持向量机回归组合模型的中长期降温负荷预测[J]. 王宁,谢敏,邓佳梁,刘明波,李嘉龙,王一,刘思捷. 电力系统保护与控制. 2016(03)
[4]基于模糊信息粒化SVM时序回归CPI预测[J]. 路世昌,赵博琦,毕建武. 统计与决策. 2015(14)
[5]基于ARIMA与信息粒化SVR组合模型的交通事故时序预测[J]. 孙轶轩,邵春福,计寻,朱亮. 清华大学学报(自然科学版). 2014(03)
[6]金融时间序列模糊边界预测研究[J]. 桂斌,黄立冬,周杰,杨小平. 小型微型计算机系统. 2012(10)
[7]基于模糊信息粒化软测量建模方法研究[J]. 王强,田学民. 北京理工大学学报. 2012(09)
[8]基于支持向量回归机的股票价格预测[J]. 谢国强. 计算机仿真. 2012(04)
[9]基于信息粒化和支持向量机的股票价格预测[J]. 喻胜华,肖雨峰. 财经理论与实践. 2011(06)
[10]基于ARMA模型的股价分析与预测的实证研究[J]. 冯盼,曹显兵. 数学的实践与认识. 2011(22)
硕士论文
[1]人民币兑美元汇率短期预测研究[D]. 许宗礼.暨南大学 2016
[2]基于支持向量机的股价预测研究[D]. 朱磊.重庆工商大学 2016
[3]基于改进支持向量回归机的股价预测研究[D]. 罗必辉.重庆大学 2016
[4]基于支持向量机的沪深300指数回归预测[D]. 王芳.山东大学 2015
[5]基于集成学习的支持向量机预测优化算法及其应用[D]. 束诗雨.东华大学 2015
[6]基于支持向量机的公路营运客车拥有量预测[D]. 常翠平.哈尔滨工业大学 2012
[7]基于支持向量机的沪深300指数预测研究[D]. 黄振.湖南大学 2012
[8]金融危机对汇率和股市关联性的影响[D]. 徐学钢.西南财经大学 2012
[9]基于BP神经网络的灰色预测模型[D]. 闫建波.西安理工大学 2009
[10]支持向量回归机在股票价格预测中的分析与应用[D]. 沈志刚.暨南大学 2007
本文编号：3249757
【文章来源】：安徽师范大学安徽省
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
图３－３交叉验证参数粗略选择结果图??由图３－３可以看出，经过粗略选择，最优参数ｃ＝０．５７，ｇ＝ｌ．７４，此时Ｂｅｓｔ?Ｃｒｏｓｓ??
ｌｏｇ２ｃ??图３－４交叉验证参数精细选择结果图??由图３－４可以看出，经过进一步的精细选择，最优参数ｃ＝０．５，ｇ＝２．此时Ｂｅｓｔ?Ｃｒｏｓｓ??Ｖａｌｉｄａｔｉｏｎ?ＭＳＥ＝０．０００９３?８８６＜０．０００９９１５２，说明精度更高。??３．２．４模型训练和预测??将精细选择得到的最优参数ｃ和ｇ带入模型进行训练，通过训练，得到支持向量??回归模型具体向量和参数如下??．：：：二二二：ｚｉ??，……—－－■：?Ｊ国１ｘ１?ｓｔｒｕｃｔ?＆含１１个字段??ｍｏｄｅｌ?萬???????＇?字Ｓ?‘?值?最小值最又直??土ｊ?Ｐａｒａｍｅｔｅｒｓ?［３；２；３；２；０］?０?３??ｎｒ＿ｄａｓｓ?２?２?２??５?ｔｏｔａｌＳＶ?２０４?２０４?．?２０４??－ｆｉ?ｒｈｏ?－１．４９３６?－１．４９．．．?－Ｌ４９．．．??Ｂ?Ｌａｂｅｌ?／／??￣ｊ￣ｌ?ｓｖｊｎｄｉｃｅｓ?２０４ｘ１?ｄｏｕｂｌｅ?３?２１６５??￣ｔ￣ｌ?ＰｒｏｂＡ?／／??５?ＰｒｏｂＳ?［Ｊ??田?ｎＳＶ?［ｊ??￣Ｈ?ｓｖ＿ｃｏｅｆ?２０４ｘ１?ｄｏｕｂｌｅ?－０，５０．？?０．
－４－３－２－１０１２３４??ｌｏｇ２ｃ??图３－４交叉验证参数精细选择结果图??由图３－４可以看出，经过进一步的精细选择，最优参数ｃ＝０．５，ｇ＝２．此时Ｂｅｓｔ?Ｃｒｏｓｓ??Ｖａｌｉｄａｔｉｏｎ?ＭＳＥ＝０．０００９３?８８６＜０．０００９９１５２，说明精度更高。??３．２．４模型训练和预测??将精细选择得到的最优参数ｃ和ｇ带入模型进行训练，通过训练，得到支持向量??回归模型具体向量和参数如下??．：：：二二二：ｚｉ??，……—－－■：?Ｊ国１ｘ１?ｓｔｒｕｃｔ?＆含１１个字段??ｍｏｄｅｌ?萬???????＇?字Ｓ?‘?值?最小值最又直??土ｊ?Ｐａｒａｍｅｔｅｒｓ?［３；２；３；２；０］?０?３??ｎｒ＿ｄａｓｓ?２?２?２??５?ｔｏｔａｌＳＶ?２０４?２０４?．?２０４??－ｆｉ?ｒｈｏ?－１．４９３６?－１．４９．．．?－Ｌ４９．．．??Ｂ?Ｌａｂｅｌ?／／??￣ｊ￣ｌ?ｓｖｊｎｄｉｃｅｓ?２０４ｘ１?ｄｏｕｂｌｅ?３?２１６５??￣ｔ￣ｌ?ＰｒｏｂＡ?／／??５?ＰｒｏｂＳ?［Ｊ??田?ｎＳＶ?［ｊ??￣Ｈ?ｓｖ＿ｃｏｅｆ?２０４ｘ１?ｄｏｕｂｌｅ?－０，５０．？?０．５０００??Ｓ?ＳＶｓ?２０４ｘ６?ｓｐａｒｓｅ?ｄｏａｂｌ
【参考文献】：
期刊论文
[1]基于SVM的上证指数预测研究[J]. 张晶华,莫文柯,甘宇健. 软件导刊. 2017(08)
[2]基于模糊信息粒化和支持向量机的空调负荷预测[J]. 侯聪,何大四,靳晓东. 建筑热能通风空调. 2017(02)
[3]基于支持向量机回归组合模型的中长期降温负荷预测[J]. 王宁,谢敏,邓佳梁,刘明波,李嘉龙,王一,刘思捷. 电力系统保护与控制. 2016(03)
[4]基于模糊信息粒化SVM时序回归CPI预测[J]. 路世昌,赵博琦,毕建武. 统计与决策. 2015(14)
[5]基于ARIMA与信息粒化SVR组合模型的交通事故时序预测[J]. 孙轶轩,邵春福,计寻,朱亮. 清华大学学报(自然科学版). 2014(03)
[6]金融时间序列模糊边界预测研究[J]. 桂斌,黄立冬,周杰,杨小平. 小型微型计算机系统. 2012(10)
[7]基于模糊信息粒化软测量建模方法研究[J]. 王强,田学民. 北京理工大学学报. 2012(09)
[8]基于支持向量回归机的股票价格预测[J]. 谢国强. 计算机仿真. 2012(04)
[9]基于信息粒化和支持向量机的股票价格预测[J]. 喻胜华,肖雨峰. 财经理论与实践. 2011(06)
[10]基于ARMA模型的股价分析与预测的实证研究[J]. 冯盼,曹显兵. 数学的实践与认识. 2011(22)
硕士论文
[1]人民币兑美元汇率短期预测研究[D]. 许宗礼.暨南大学 2016
[2]基于支持向量机的股价预测研究[D]. 朱磊.重庆工商大学 2016
[3]基于改进支持向量回归机的股价预测研究[D]. 罗必辉.重庆大学 2016
[4]基于支持向量机的沪深300指数回归预测[D]. 王芳.山东大学 2015
[5]基于集成学习的支持向量机预测优化算法及其应用[D]. 束诗雨.东华大学 2015
[6]基于支持向量机的公路营运客车拥有量预测[D]. 常翠平.哈尔滨工业大学 2012
[7]基于支持向量机的沪深300指数预测研究[D]. 黄振.湖南大学 2012
[8]金融危机对汇率和股市关联性的影响[D]. 徐学钢.西南财经大学 2012
[9]基于BP神经网络的灰色预测模型[D]. 闫建波.西安理工大学 2009
[10]支持向量回归机在股票价格预测中的分析与应用[D]. 沈志刚.暨南大学 2007
本文编号：3249757
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/3249757.html
