基于改进的支持向量机技术在股票短期价格预测中的应用

发布时间：2017-05-21 15:00

  本文关键词：基于改进的支持向量机技术在股票短期价格预测中的应用，由笔耕文化传播整理发布。

【摘要】：股票市场每天产生大量的交易数据,这些数据往往隐藏着大量有用的信息,但却并不轻易被人们发掘出来。随着人们对股票历史交易数据的依赖程度越来越高,从原始交易数据中挖掘有用信息,并准确预测股票的未来走势,帮助投资者和证券经营机构或股票投资业务人员进行科学的投资决策,降低投资风险具有重大的现实意义。支持向量机技术是目前发展起来的新兴机器学习方法,它在非线性模型识别和小样本学习处理方面具有良好的性能,能解决常见的分类、回归和分布估计问题,但它在实际应用中也存在一些固有的问题亟待解决。本文围绕SVM核参数的选取及优化问题,在运用遗传算法和粒子群算法优化SVM核参数的研究基础之上,提出了改进GA-SVM股票回归预测模型和混合PSO-SVM股票回归预测模型,并用上证指数样本数据仿真验证。实验证明,改进后的算法能取得较好的参数优化结果和预测效果。据此,本文的创新点主要包括以下几个部分:在选取股票回归预测模型的核函数部分,本文分别用常用的四种核函数进行测试,并从中选取均方误差最小的核函数作为实验核函数。在支持向量机核参数优化部分,一方面,本文引入对SVM具有重大影响的损失函数到算法中,建立了基于改进遗传算法的(,,)GA-SVM参数优化模型;另一方面,本文将压缩因子、随机惯性权重、二阶振荡理论和遗传算法自然选择机理引入到标准粒子群算法中,提出了混合PSO-SVM参数优化模型。在选取实验的股票指标部分,本文按照对股票次日收盘价格的影响程度,选取排名靠前的六个实验指标——股票当日收盘价、最高价、最低价、开盘价、成交量和成交额作为研究指标并整理分析数据,同时将排名最靠前的当日收盘价作为输入变量,其他指标作为输出变量参与模型的验证分析。最后,本文将建立起来的两种支持向量机参数优化模型与(,)GA-SVM模型、GS-SVM模型和标准PSO-SVM模型三组模型分别通过整理后的样本数据进行仿真实验预测并对比实验结果。实验结果表明经过改进的(,,)GA-SVM模型和混合PSO-SVM模型相比于原始模型在SVM参数优化及股票价格预测方面能取得较小的误差范围和较高的预测精度。
【关键词】：股票价格预测 支持向量机参数优化 核函数 遗传算法 粒子群算法
【学位授予单位】：重庆交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F830.91;TP181
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 第一章 绪论10-19
• 1.1 研究背景和意义10-11
• 1.2 国内外研究现状11-16
• 1.3 主要研究内容及论文框架16-19
• 第二章 支持向量机理论基础19-30
• 2.1 统计学习理论的基本原理19-22
• 2.1.1 机器学习原理19-20
• 2.1.2 VC维20
• 2.1.3 推广性的界20-21
• 2.1.4 结构风险最小化原则21-22
• 2.2 支持向量机的基本概念22-26
• 2.2.1 支持向量机基本思想22
• 2.2.2 支持向量机的优点22-23
• 2.2.3 最优分类超平面23
• 2.2.4 线性支持向量回归机23-25
• 2.2.5 非线性支持向量回归机25-26
• 2.3 核函数26-29
• 2.3.1 核函数的原理27
• 2.3.2 核函数的特点27
• 2.3.3 常用核函数27-28
• 2.3.4 混和核函数28-29
• 2.4 LibSVM简介29
• 2.5 本章小结29-30
• 第三章 基于改进遗传算法的支持向量机参数优化模型30-52
• 3.1 改进GA-SVM参数优化模型的建立30-34
• 3.1.1 遗传算法概念构成要素30-32
• 3.1.2 遗传算法流程及步骤32-33
• 3.1.3 改进GA-SVM参数优化模型简介33-34
• 3.2 改进GA-SVM参数优化模型仿真实验34-44
• 3.2.1 实验环境35-36
• 3.2.2 样本数据的选取及处理36-39
• 3.2.3 预测模型核函数选取39-41
• 3.2.4 参数设置41
• 3.2.5 实验步骤41-44
• 3.3 GA-SVM参数优化模型对比实验44-47
• 3.3.1 GA-SVM模型简介44-45
• 3.3.2 参数设置45
• 3.3.3 实验步骤45-47
• 3.4 GS-SVM参数优化模型对比实验47-49
• 3.4.1 参数设置47
• 3.4.2 实验步骤47-49
• 3.5 综合模型对比实验结果分析49-51
• 3.5.1 误差的相关理论49
• 3.5.2 实验结果分析49-51
• 3.6 本章小结51-52
• 第四章 基于混合粒子群算法的支持向量机参数优化模型52-66
• 4.1 混合PSO-SVM参数优化模型的建立52-60
• 4.1.1 粒子群算法的概念和原理52-55
• 4.1.2 粒子群算法改进现状55-57
• 4.1.3 粒子群算法改进依据及相关理论介绍57-58
• 4.1.4 混合PSO-SVM参数优化模型简介58-60
• 4.2 混合PSO-SVM参数优化模型仿真实验60-62
• 4.2.1 参数设置60-61
• 4.2.2 实验步骤61-62
• 4.3 标准PSO-SVM参数优化模型对比实验62-64
• 4.3.1 参数设置62-63
• 4.3.2 实验步骤63-64
• 4.4 综合模型对比实验结果分析64-65
• 4.5 本章小结65-66
• 第五章 股票价格短期预测综合模型的实现及结果分析66-75
• 5.1 预测模型总体设计流程及步骤66-68
• 5.2 改进的GA-SVM回归预测模型及对比实证分析68-71
• 5.2.1 改进的(, , )GA-SVM回归预测模型68-69
• 5.2.2 标准GA-SVM回归预测模型69-70
• 5.2.3 GS-SVM回归预测模型70-71
• 5.3 混合PSO-SVM回归预测模型及对比实证分析71-73
• 5.3.1 混合PSO-SVM回归预测模型71-72
• 5.3.2 标准PSO-SVM回归预测模型72-73
• 5.4 预测模型综合预测结果对比分析73-74
• 5.5 本章小结74-75
• 第六章 总结与展望75-78
• 6.1 全文总结75-76
• 6.2 不足与展望76-78
• 致谢78-79
• 参考文献79-86
• 附录86-113
• 在学期间发表的论著及参与的科研项目成果113

【参考文献】

中国期刊全文数据库 前3条

1 宋淑彩;庞慧;丁学钧;;GA-SVM算法在文本分类中的应用研究[J];计算机仿真;2011年01期

2 彭玉林;;支持向量机在遥感图像分析与处理中的应用[J];通信技术;2008年09期

3 ;Parameter selection of support vector machine for function approximation based on chaos optimization[J];Journal of Systems Engineering and Electronics;2008年01期

  本文关键词：基于改进的支持向量机技术在股票短期价格预测中的应用，由笔耕文化传播整理发布。

，

本文编号：383963