基于SVM A daBoost模型的股票涨跌实证研究
发布时间：2021-08-02 04:30
股票市场不仅是国家经济的晴雨表，在中国更是企业融资和广大股民投资的重要手段。股票涨跌能够得到大致预测，就能为投资者提供有效的股票投资指导，从而有效克服盲目投资的弊端和有效规避了股票的投资风险。本文将股票的未来走势分别划分为两种（涨、跌），把股市的波动预测转化为两类分类问题，通过股票上周数据指标来对下周股价涨跌进行预测，分别利用核函数为高斯核的最小二乘支持向量机（LSSVM）模型以及LSSVM和AdaBoost算法混合模型（SVMAdaBoost）进行分类识别。本文首先介绍了股市的相关背景知识，国内外对于股票预测的研究综述，对几种现有的股票预测方法进行了介绍。接着全面介绍了统计学习理论和建立在其基础上的SVM方法，阐述了LSSVM的原理及其优点。并选取万科A股作为实证对象，验证LSSVM在整体预测，以及上涨市、下跌市、震荡市的预测情况，实证表明股价在单边上涨或者下跌的时候，LSSVM具有较好的分类性能。为提高震荡市以及整体市场的预测性能，引入AdaBoost算法。介绍了AdaBoost算法的理论和算法流程，指明该算法可以和SVM模型组合的优势：SVMA
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
经验风险、VC维h、期望风险等关系
第三章 支持向量机理论 最优分类超平面 由 2.2.3 节可知，支持向量机基于结构风险最小化原则，能够在特定训练样本度和学习能力之间寻求最佳折衷。一般神经网络处理分类问题，会生成一个分，然后不断移动它，使训练的样本不同的类别分别落在超平面的两侧。但是这靠近训练数据中的样本。支持向量机就是想找到一个最优分类面，使得分类面离尽可能的大。当考虑两类问题时，假设训练样本集是线性的，即存在线性的些样本分开，可以知道这样的分类面有无数个。我们希望靠近分类面的点与分离达到最大。先画出分别经过两类样本中距离分类界面最近的点的两个平行平 ，且要求两个平行平面的距离达到最大。那么最优分类面正好在这两个平行平。图 3‐1 中显然 B 的分类方案优于 A。
图 3-2 支持向量机最优超平面距离知识可知，平面1H 和平面2H 间隔等于2w，面，可以表示成一个约束优化问题： 21min2. . 1, 1, 2, ,i iws t y w x b i n 是最小代价函数，（3‐3）式是一个凸规划问题，引入 11, , 12nT Ti i iiL w b w w y w x b 1,2,...,n Lagrange 系数。分别对w、b 求导，把结果
【参考文献】：
期刊论文
[1]基于AR模型的Kalman滤波在股票价格预测中的应用[J]. 金瑶,蔡之华. 统计与决策. 2013(06)
[2]基于Adaboost和CART结合的优化分类算法[J]. 丁雍,李小霞. 微型机与应用. 2011(23)
[3]基于分形市场假说的中国期货市场有效性研究[J]. 孙伟. 襄樊学院学报. 2011(05)
[4]PCA-GA-SVM模型的构建及应用研究——沪深300指数预测精度实证分析[J]. 徐国祥,杨振建. 数量经济技术经济研究. 2011(02)
[5]稳健的多支持向量机自适应提升算法[J]. 张振宇. 大连交通大学学报. 2010(02)
[6]基于AdaBoost算法的加权二乘向量回归机[J]. 彭代强,林幼权. 计算机应用. 2010(03)
[7]基于SVM和AdaBoost的人脸检测算法[J]. 朱信忠,唐金良,徐慧英,赵建民. 微型电脑应用. 2009(09)
[8]基于内容的图像检索中SVM和Boosting方法集成应用[J]. 解洪胜,张虹. 计算机应用. 2009(04)
[9]利用ARFIMA模型研究金融时间序列[J]. 周俊梅. 海南师范大学学报(自然科学版). 2008(04)
[10]基于多步校正的改进AdaBoost算法[J]. 蒋焰,丁晓青. 清华大学学报(自然科学版). 2008(10)
博士论文
[1]基于有限混合状态空间的金融随机波动模型及应用研究[D]. 郑挺国.吉林大学 2009
[2]非线性动力学方法在时间序列分析中的应用[D]. 王鼐.复旦大学 2005
[3]基于统计学习理论的支持向量机算法研究[D]. 唐发明.华中科技大学 2005
[4]我国股市非线性时间序列分析[D]. 陈永忠.华中科技大学 2004
硕士论文
[1]灰色-GARCH混合模型及其在股票指数中的应用[D]. 崔冰.西北农林科技大学 2012
[2]混沌理论在股票市场走势预测中的应用研究[D]. 袁博.东北林业大学 2012
[3]基于数据挖掘的数量化模型选股分析平台[D]. 石煜.电子科技大学 2012
[4]基于隐马尔科夫模型的股价走势预测[D]. 吴漫君.华南理工大学 2011
[5]基于支持向量机的股市预测研究[D]. 金得宝.浙江大学 2010
[6]股票价格时间序列ARCH模型建立与选择研究[D]. 高伟良.合肥工业大学 2009
[7]中国股市的非线性特性分析[D]. 吕晓华.浙江工商大学 2008
[8]基于SVM的时态数据挖掘及在证券分析中的应用研究[D]. 庄彬.浙江工业大学 2007
[9]基于支持向量机的测井曲线预测储层参数方法[D]. 张彦周.西安科技大学 2006
本文编号：3316897
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
经验风险、VC维h、期望风险等关系
第三章 支持向量机理论 最优分类超平面 由 2.2.3 节可知，支持向量机基于结构风险最小化原则，能够在特定训练样本度和学习能力之间寻求最佳折衷。一般神经网络处理分类问题，会生成一个分，然后不断移动它，使训练的样本不同的类别分别落在超平面的两侧。但是这靠近训练数据中的样本。支持向量机就是想找到一个最优分类面，使得分类面离尽可能的大。当考虑两类问题时，假设训练样本集是线性的，即存在线性的些样本分开，可以知道这样的分类面有无数个。我们希望靠近分类面的点与分离达到最大。先画出分别经过两类样本中距离分类界面最近的点的两个平行平 ，且要求两个平行平面的距离达到最大。那么最优分类面正好在这两个平行平。图 3‐1 中显然 B 的分类方案优于 A。
图 3-2 支持向量机最优超平面距离知识可知，平面1H 和平面2H 间隔等于2w，面，可以表示成一个约束优化问题： 21min2. . 1, 1, 2, ,i iws t y w x b i n 是最小代价函数，（3‐3）式是一个凸规划问题，引入 11, , 12nT Ti i iiL w b w w y w x b 1,2,...,n Lagrange 系数。分别对w、b 求导，把结果
【参考文献】：
期刊论文
[1]基于AR模型的Kalman滤波在股票价格预测中的应用[J]. 金瑶,蔡之华. 统计与决策. 2013(06)
[2]基于Adaboost和CART结合的优化分类算法[J]. 丁雍,李小霞. 微型机与应用. 2011(23)
[3]基于分形市场假说的中国期货市场有效性研究[J]. 孙伟. 襄樊学院学报. 2011(05)
[4]PCA-GA-SVM模型的构建及应用研究——沪深300指数预测精度实证分析[J]. 徐国祥,杨振建. 数量经济技术经济研究. 2011(02)
[5]稳健的多支持向量机自适应提升算法[J]. 张振宇. 大连交通大学学报. 2010(02)
[6]基于AdaBoost算法的加权二乘向量回归机[J]. 彭代强,林幼权. 计算机应用. 2010(03)
[7]基于SVM和AdaBoost的人脸检测算法[J]. 朱信忠,唐金良,徐慧英,赵建民. 微型电脑应用. 2009(09)
[8]基于内容的图像检索中SVM和Boosting方法集成应用[J]. 解洪胜,张虹. 计算机应用. 2009(04)
[9]利用ARFIMA模型研究金融时间序列[J]. 周俊梅. 海南师范大学学报(自然科学版). 2008(04)
[10]基于多步校正的改进AdaBoost算法[J]. 蒋焰,丁晓青. 清华大学学报(自然科学版). 2008(10)
博士论文
[1]基于有限混合状态空间的金融随机波动模型及应用研究[D]. 郑挺国.吉林大学 2009
[2]非线性动力学方法在时间序列分析中的应用[D]. 王鼐.复旦大学 2005
[3]基于统计学习理论的支持向量机算法研究[D]. 唐发明.华中科技大学 2005
[4]我国股市非线性时间序列分析[D]. 陈永忠.华中科技大学 2004
硕士论文
[1]灰色-GARCH混合模型及其在股票指数中的应用[D]. 崔冰.西北农林科技大学 2012
[2]混沌理论在股票市场走势预测中的应用研究[D]. 袁博.东北林业大学 2012
[3]基于数据挖掘的数量化模型选股分析平台[D]. 石煜.电子科技大学 2012
[4]基于隐马尔科夫模型的股价走势预测[D]. 吴漫君.华南理工大学 2011
[5]基于支持向量机的股市预测研究[D]. 金得宝.浙江大学 2010
[6]股票价格时间序列ARCH模型建立与选择研究[D]. 高伟良.合肥工业大学 2009
[7]中国股市的非线性特性分析[D]. 吕晓华.浙江工商大学 2008
[8]基于SVM的时态数据挖掘及在证券分析中的应用研究[D]. 庄彬.浙江工业大学 2007
[9]基于支持向量机的测井曲线预测储层参数方法[D]. 张彦周.西安科技大学 2006
本文编号：3316897
本文链接：https://www.wllwen.com/jingjilunwen/zbyz/3316897.html
