基于支持向量机的金融时间序列分析预测算法研究

发布时间：2020-07-18 15:26

【摘要】：金融系统是一个开放的复杂系统,其内部的各个经济变量之间存在着错综复杂的关系。现代金融理论由资金的时间价值、资产定价与风险管理等三大要素构成,其核心问题就是如何在不确定的环境下对资源进行跨期的最优配置。从整个数理金融领域提炼出随机过程与随机控制两类基本模型,前者是后者的前提与基础,作为离散随机过程的金融时间序列是金融模型研究的基石与关键。鉴于股指收益序列与波动率序列在投资组合与风险规避中的重要作用,科学地预测金融市场的波动特征,掌握金融市场的波动规律及其结构对金融风险的规避防范与管理监控具有重要意义。作为世界经济晴雨表的各主要股票指数,其收益分析与波动率预测是诸多金融模型研究的前提与基础。因此,以股指收益及波动率作为研究对象具有重要的金融预测意义。 对金融市场数据分析研究可以通过对时间序列建模来实现。通过数学模型的建立,可以将输入与输出数据之间的关系直观地反映出来。利用已知历史数据的训练过程其实就是建立一个时间序列模型的过程,将已己知的数据作为输入,得到的输出就是对未来数据的预测。目前研究较多的是如何建立或寻找准确与高效的预测模型。 本文研究内容主要包括以下几部分： 基于相空间重构理论的支持向量回归机分析预测金融市场研究。相空间重构的重点是选择一个合适的延迟时间,降低必要的嵌入维数。本文提出使用虚假最近邻点法,针对所有变量构建误差函数,确定合适的嵌入维数组合。支持向量回归机中核函数是算法性能的重要影响因素。实验表明基于相空间重构理论的支持向量回归机具有较好的收益率预测性能。 LSSVR-CARRX模型算法研究。LSSVR算法是通过利用二次误差项取代标准中的线性误差项,用带等式约束的二次规划问题替代带不等式约束的二次规划问题,经转化后的对偶问题相当于求解线性方程组。LSSVR的优势在于能够显著提高预测精度和训练速度。本文构建基于LSSVR的非线性CARRX模型,该模型利用LSSVR强大的非线性映射能力,在输出和输入的非线性函数间建立非线性映射关系。实验表明,采用该模型进行金融市场波动率的拟合和预测可以确定较为良好的效果。 基于神经网络和相关向量机的Hopfield网络股票市场预测算法研究。网络稳定并且收敛是Hopfield网络工作的前提条件,能量函数是左右这一前提条件的重点。连续Hopfield网络有自身的局限性,致使系统会出现多个伪响应,影响计算准确度。相关向量机(RVM)的核心概念就是引入几率解释噪声。研究测试表明相关向量具有明显的数据优势。为提高相关向量机算法的准确性,本文提出一种改进算法,即HRVM算法。该算法采用反馈网络把问题转化为目标函数和约束条件,构造能量函数,这样优化问题就归结为在满足约束条件下使目标函数最小。改进后的HRVM算法具有高稳定性,可应用于趋势预测系统。 基于支持向量回归的金融时间序列预测算法研究。支持向量计算法集机器学习领域若干标准为一体,将多种技术与方法有机结合,用于解决一些挑战性应用难题。该算法应用范围较广泛,能够取得其他方法无法达到的最佳效果,也存在一些困难和难题。本文提出自适应学习支持向量机回归算法,该算法在支持向量机算法的基础上进一步改进和优化,将凸二次规划问题用单一线性方程来代替求解,提升机器学习训练的速度。实验结果证明,该算法对汇率时序数据能科学而有效地完成短时预测。对基金价格的预测实验结果表明,自适应学习支持向量机回归算法的精度高于传统支持向量回归算法。 本文应用混沌理论和支持向量理论对多变量金融时间序列进行研究,利用这些理论对金融市场的波动进行非线形分析和预测。研究结果表明这些理论在金融时间序列预测中能够取得较好的应用效果。
【学位授予单位】：大连海事大学
【学位级别】：博士
【学位授予年份】：2013
【分类号】：F830.91;TP181

【相似文献】

相关期刊论文 前10条

1 李立辉,田翔,杨海东,胡月明;基于SVR的金融时间序列预测[J];计算机工程与应用;2005年30期

2 吴萌;徐全智;;支持向量机在金融时间序列预测中的应用[J];电子科技大学学报;2007年S1期

3 李雷;张建民;;一种改善的基于支持向量机的边缘检测算子[J];计算机技术与发展;2010年03期

4 王平;王文剑;;基于时序核函数的支持向量回归机[J];计算机辅助工程;2006年03期

5 郝继升;;基于支持向量回归机和B样条网络回归曲线建模算法[J];江西科学;2007年01期

6 郝继升;;一种建立回归曲线模型的新算法[J];河南科学;2007年02期

7 王玲;穆志纯;郭辉;;一种基于聚类的支持向量机增量学习算法[J];北京科技大学学报;2007年08期

8 杨玫;郭天杰;陈青华;;基于经验模式分解的时间序列预测方法研究[J];计算机技术与发展;2011年07期

9 纪华伟;杨世锡;吴昭同;;压电陶瓷驱动器非线性建模研究[J];传感技术学报;2006年04期

10 张德贤;张苗;谭一鸣;;基于启发式信息的支持向量机规则抽取[J];计算机应用;2008年03期

相关会议论文 前10条

1 张硕;惠晓峰;;金融时间序列的确定性成分与随机成分的分离[A];第十三届中国管理科学学术年会论文集[C];2011年

2 程砚秋;杨德权;;基于决策树和支持向量机的金融预测方法[A];中国企业运筹学学术交流大会论文集[C];2007年

3 严悦然;陆文聪;苏自伟;刘风琴;张良苗;陈念贻;;铝电解槽寿命预测的支持向量回归方法研究[A];2006年全国冶金物理化学学术会议论文集[C];2006年

4 刘耀年;王浩;何昌浩;何萍;;基于支持向量回归机的短期电力负荷预测[A];第十届全国电工数学学术年会论文集[C];2005年

5 荣海娜;张葛祥;张翠芳;;基于支持向量机的非线性系统辨识方法[A];中国自动化学会、中国仪器仪表学会2004年西南三省一市自动化与仪器仪表学术年会论文集[C];2004年

6 符敏;程德福;张广峰;;基于支持向量回归的声音转换[A];第八届全国人机语音通讯学术会议论文集[C];2005年

7 黎明;杨杰;王辉;蔡念;;一种彩色图像复原新方法:基于滑动窗口的支持向量回归算法[A];2006年全国光电技术学术交流会会议文集（D 光电信息处理技术专题）[C];2006年

8 李洁;高峰;管晓宏;周佃民;;支持向量回归学习方法中基于稳定型GA的超参数选择[A];第二十四届中国控制会议论文集（下册）[C];2005年

9 常涛;;支持向量机在大气污染预报中的应用研究[A];中国气象学会2006年年会“大气成分与气候、环境变化”分会场论文集[C];2006年

10 王小刚;童振;王福利;张清知;;一种支持向量回归模型参数多目标寻优方法[A];2007中国控制与决策学术年会论文集[C];2007年

相关重要报纸文章 前10条

1 裴勇;诺贝尔奖得主恩格尔自回归条件异方差模型在期货研究中的应用(1)[N];期货日报;2004年

2 李水根;计算机详解配伍与药效关系[N];健康报;2005年

3 课题主持人 李心丹　课题协调人 上海证券交易所 施东晖 傅浩 课题研究员 宋素荣 查晓磊 宾红辉 张许宏 郭静静 黄隽 南京大学工程管理学院;内幕交易与市场操纵的行为动机与判别监管研究[N];中国证券报;2007年

4 上海大学理学院教授、副院长 陆文聪;酷爱化学 孜孜以求[N];中国化工报;2006年

5 清华大学 苏光大;非接触式人脸识别技术[N];计算机世界;2006年

6 ;选择合适的数据挖掘算法[N];计算机世界;2007年

7 周颖;王米渠与中医心理学[N];中国中医药报;2006年

8 记者 张云普邋通讯员 全攀峰 安强强;大庆物探深度域地震资料岩性解释技术获得五大突破[N];中国石油报;2008年

9 本报记者 冯治恩;敢与“雷公”试比高[N];铜川日报;2008年

10 格林期货 刘光素 陈亮;股指期货套期保值策略研究[N];期货日报;2010年

相关博士学位论文 前10条

1 鲍漪澜;基于支持向量机的金融时间序列分析预测算法研究[D];大连海事大学;2013年

2 王文静;金融时间序列的长记忆特性及预测研究[D];天津大学;2009年

3 苏木亚;谱聚类方法研究及其在金融时间序列数据挖掘中的应用[D];大连理工大学;2011年

4 汤凌冰;基于支持向量机的金融时间序列回归分析[D];上海交通大学;2010年

5 田英杰;支持向量回归机及其应用研究[D];中国农业大学;2005年

6 武国正;支持向量机在湖泊富营养化评价及水质预测中的应用研究[D];内蒙古农业大学;2008年

7 沈传河;金融问题中的支持向量机应用研究[D];山东科技大学;2011年

8 谭显胜;支持向量回归解释性体系的建立及应用[D];湖南农业大学;2010年

9 余艳芳;改进型支持向量回归机及其在过程建模与控制中的应用[D];华东理工大学;2010年

10 赵永平;支持向量回归机及其在智能航空发动机参数估计中的应用[D];南京航空航天大学;2009年

相关硕士学位论文 前10条

1 陈钟国;基于群体智能算法的金融时间序列预测研究[D];上海交通大学;2013年

2 张拥华;基于支持向量机的金融时间序列研究[D];湖南大学;2008年

3 赵俊;隐马尔可夫模型及其在金融时间序列中的应用研究[D];合肥工业大学;2012年

4 周游;基于滑动平均算法对金融时间序列的研究[D];昆明理工大学;2012年

5 刘晓迪;基于小波变换的金融时间序列奇异点识别模型与研究[D];昆明理工大学;2011年

6 李谦;现代优化算法在金融时间序列参数估计中的应用[D];暨南大学;2011年

7 周天清;基于奇异谱分析的金融时间序列自适应分解预测研究[D];华东交通大学;2012年

8 刘莉佳;组合模型对金融时间序列的分析及预测[D];辽宁师范大学;2012年

9 汤R

本文编号：2761077