股价预测中AP-FIG和DKIPSO-SVR模型的构建与应用

发布时间：2017-08-18 22:11

  本文关键词：股价预测中AP-FIG和DKIPSO-SVR模型的构建与应用

  更多相关文章： 粒子群算法 支持向量回归机 AP-FIG模型 DKIPSO-SVR模型 股价预测

【摘要】：随着经济一体化的延伸发展,股票市场在证券领域中以令人瞩目的速度迅猛发展。但由于股市样本结构不完整,各指标间存在高冗余、线性相关性,这直接影响着股市近期开盘价的预测,致使提供给投资者是否购买股票、抛售股票的参考依据不太真实,从而导致近期开盘价的跌宕起伏。因此,对于开盘价预测方法的研究具有广泛的应用前景。考虑到传统预测方法精度低、非线性映射能力弱等缺陷,而支持向量回归机(SVR)全局最优性强,能通过核函数将非线性问题转变成线性问题。另外,粒子群算法(PSO)收敛速度快、全局寻优能力强,通过PSO优化SVR不仅能够选取最优参数,同时也能提高模型的泛化能力。因此,在单指标、多指标股价预测中,本文首次提出非对称抛物型(AP)函数模糊信息粒化(FIG,AP-FIG)股市样本,通过主成分分析(PCA)、AP-FIG、网格搜索(GS)优化SVR(GS-SVR)、动态权重因子更新PSO粒子速度(DIPSO)优化SVR (DIPSO-SVR)、首次引入动态缩减因子更新DIPSO粒子位置(DKIPSO)优化SVR (DKIPSO-SVR)组合预测股市近期开盘价的走势及变化区间。针对上述现状和问题,完成以下5部分工作：1、针对SVR现有的其中3种核函数,选用沪深指数、IBM指数单、多指标样本,通过GS-SVR预测股市近期开盘价。结果表明感知器核函数(Sigmoid)拟合效果最好。2、针对已有预测方法仅选用国内或国外样本,输入指标选取开盘价或收盘价,缺乏真实性和对比性。对此,本文通过三角型函数的FIG(T-FIG)和GS-SVR预测开盘价选取最优单指数。结果表明收盘价代表性强于开盘价。3、对于多指标样本,通过PCA进行降维,再经过AP-FIG和DKIPSO-SVR预测近期开盘价。由其主成分载荷和主成分排序得出：单指标预测方面,收盘价是最佳选择；多指标方面,沪深指数降成2维,IBM指数降成1维(收盘价)。4、针对三角型、梯型函数粒化效果不够平滑,同时开盘价走势又呈非对称型,本文首次提出AP-FIG处理样本,通过DKIPSO-SVR预测股市近期开盘价。结果表明AP拟合度高,变化区间小；梯型次之,较优于三角型。5、针对定值权重因子更新PSO粒子速度(IPSO)优化SVR效能较低,定值缩减因子更新IPSO粒子速度(RIPSO)各因子间相互冗余,本文首次建立DKIPSO-SVR模型,并通过AP-FIG、 DIPSO-SVR和DKIPSO-SVR预测股市开盘价。结果表明DKIPSO-SVR变化区间和泛化能力均优于DIPSO-SVR。
【关键词】：粒子群算法 支持向量回归机 AP-FIG模型 DKIPSO-SVR模型 股价预测
【学位授予单位】：内蒙古大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F832.51;F224
【目录】：

• 摘要4-6
• ABSTRACT6-13
• 第一章 绪论13-20
• 1.1 课题背景13
• 1.2 研究目的与意义13-14
• 1.2.1 研究目的13-14
• 1.2.2 研究意义14
• 1.3 国内外研究现状14-16
• 1.3.1 人工神经网络14-15
• 1.3.2 支持向量机15
• 1.3.3 粒子群算法15-16
• 1.4 创新点16
• 1.5 课题内容与结构安排16-20
• 1.5.1 课题内容16-17
• 1.5.2 结构安排17-20
• 第二章 相关理论基础20-27
• 2.1 主成分分析20-22
• 2.1.1 PCA基本原理20
• 2.1.2 PCA算法流程20-22
• 2.2 支持向量机22-25
• 2.2.1 SVM理论概述22
• 2.2.2 SVC基本原理22-23
• 2.2.3 SVR基本原理23-25
• 2.3 粒子群算法25-26
• 2.3.1 PSO基本原理25
• 2.3.2 PSO迭代步骤25-26
• 2.3.3 PSO参数理论26
• 2.4 本章小结26-27
• 第三章 AP-FIG和DKIPSO-SVR组合模型的建立27-34
• 3.1 非对称抛物型隶属度函数27-29
• 3.1.1 模糊信息粒化27
• 3.1.2 AP隶属度函数27-29
• 3.2 引入动态缩减因子更新粒子位置的DKIPSO模型29-30
• 3.2.1 引入定性权重因子更新粒子速度的IPSO模型29
• 3.2.2 引入定性缩减因子更新粒子速度的RIPSO模型29
• 3.2.3 引入动态权重因子更新粒子速度的DIPSO模型29-30
• 3.2.4 引入动态缩减因子更新粒子位置的DKIPSO模型30
• 3.3 参数调整30-31
• 3.3.1 二阶非线性更新学习因子30-31
• 3.3.2 二阶非线性更新缩减因子31
• 3.3.3 二阶非线性更新权重因子31
• 3.4 参数设置31-32
• 3.5 AP-FIG和DKIPSO-SVR预测股价流程32
• 3.6 本章小结32-34
• 第四章 AP-FIG和DKIPSO-SVR预测数据选取及处理34-40
• 4.1 样本选取34-35
• 4.2 数据归一化35
• 4.3 AP-FIG粒化股指数据35-36
• 4.4 PCA处理多指标样本36-39
• 4.4.1 IBM指数36-37
• 4.4.2 沪深指数37-39
• 4.5 本章小结39-40
• 第五章 AP-FIG和DKIPSO-SVR预测股价与性能分析40-55
• 5.1 GS-SVR选取核函数40-43
• 5.1.1 沪深单指标预测40-41
• 5.1.2 沪深多指标预测41
• 5.1.3 IBM单指标预测41-42
• 5.1.4 IBM多指标预测42-43
• 5.2 T-FIG和GS-SVR选取单指标指数43-45
• 5.2.1 沪深开盘价和收盘价预测43-44
• 5.2.2 IBM收盘价和开盘价预测44-45
• 5.3 AP-FIG和DIPSO-SVR预测开盘价45-48
• 5.3.1 单指标预测45-47
• 5.3.2 多指标预测47-48
• 5.4 AP-FIG和DKIPSO-SVR预测开盘价48-51
• 5.4.1 单指标预测48-50
• 5.4.2 多指标预测50-51
• 5.5 不同函数下AP-FIG与DKIPSO-SVR预测开盘价51-52
• 5.6 结果分析52-53
• 5.7 本章小结53-55
• 第六章 总结与展望55-57
• 6.1 工作总结55
• 6.2 未来展望55-57
• 参考文献57-61
• 致谢61-62
• 攻读硕士学位期间发表学术论文62-63
• 攻读硕士学位期间参与科研项目63

【相似文献】

中国硕士学位论文全文数据库 前1条

1 万振海;股价预测中AP-FIG和DKIPSO-SVR模型的构建与应用[D];内蒙古大学;2016年

，

本文编号：697038