DNN加权方法及其在WSVR和ε-TSVR上的应用研究
发布时间：2021-09-02 18:27
大数据时代,股市高频数据几乎包含了市场中的所有信息,基于高频数据的分析和预测必将更具价值.目前股市研究的数据多集中于日数据,缺乏对高频数据的研究.为了加深对高频数据的研究和数据局部信息的挖掘,提出D近邻（Dependency Nearest Neighbor,DNN）加权算法及其参数确定方法.然后应用DNN加权算法改进ε孪生支持向量回归机（Epsilon Twin Support Vector Re gression,ε-TSVR）,并给出了改进模型对偶问题的推导.对上证A股的日数据和分钟数据的实证结果显示,改进的模型对样本点局部信息的提取十分有效.本文的主要工作包括以下三个部分:1.D近邻加权算法的提出.DNN算法是根据每个样本在样本空间中所处位置来计算近邻点.本文基于DNN算法提出DNN加权算法,该加权算法度量了样本间的距离和样本点密集度信息,可以更好地挖掘并保留样本点的局部特征.接着利用网格搜索法确定DNN加权算法的参数.然后将DNN加权算法应用于权重支持向量回归机（Weighted Support Vector Regression,WSVR）中.UCI公用数据集和股票数据的实...
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 支持向量回归机的研究现状
1.2.2 基于支持向量回归机的股票预测研究现状
1.3 研究内容及创新点
1.3.1 研究内容
1.3.2 本文创新点
1.4 本文结构安排
第2章 统计学习与支持向量回归机
2.1 统计学习理论
2.1.1 学习机器推广能力的界
2.1.2 结构风险最小化归纳原则
2.1.3 回归算法推广能力的界
2.2 优化基本理论
2.2.1 凸二次规划与线性规划问题
2.2.2 凸二次规划与线性规划解的充要条件
2.2.3 Wolf对偶理论
2.3 常用核函数
2.3.1 核函数
2.3.2 常用核函数
2.4 支持向量回归机模型
2.5 本章小结
第3章 DNNW-SVR模型的提出及其改进
3.1 D近邻算法原理
3.2 改进的DNN算法-D近邻加权算法
3.3 DNNW-SVR模型的提出及其改进
3.3.1 DNNW-SVR模型
3.3.2 DNNW-SVR模型的改进
3.4 基于改进的DNNW-SVR模型的实证分析
3.4.1 模型评价指标
3.4.2 实验分析
3.5 本章小结
第4章 DNNW-εTSVR模型及在高频数据上的预测
4.1 ε-TSVR模型的建立及其求解推导
4.1.1 线性ε-TSVR模型
4.1.2 非线性ε-TSVR模型
4.2 DNNW-εTSVR模型的建立及其求解推导
4.3 DNNW-εTSVR模型在股市高频数据上的实证分析
4.3.1 数据来源和指标选取
4.3.2 模型评价指标
4.3.3 实证结果
4.4 本章小结
第5章 结论与展望
5.1 研究结论
5.2 研究展望
致谢
参考文献
攻读硕士学位期间发表论文及参加科研项目情况
附录
【参考文献】：
期刊论文
[1]一种支持向量机算法设计中优化的混合加权核函数选取与样本加权方法[J]. 曹万鹏,罗云彬,史辉. 小型微型计算机系统. 2018(02)
[2]基于改进的支持向量机的股票预测方法[J]. 郝知远. 江苏科技大学学报(自然科学版). 2017(03)
[3]基于改进网格搜索算法的随机森林参数优化[J]. 温博文,董文瀚,解武杰,马骏. 计算机工程与应用. 2018(10)
[4]最小二乘孪生参数化不敏感支持向量回归机[J]. 丁世飞,黄华娟. 软件学报. 2017 (12)
[5]基于离散小波分解和支持向量机的股指组合预测[J]. 严骏宏. 统计与决策. 2017(03)
[6]基于PCA-FOA-SVR的股票价格预测研究[J]. 王卫红,卓鹏宇. 浙江工业大学学报. 2016(04)
[7]关于股票价格优化预测的建模仿真研究[J]. 陈远,罗必辉,蒋维琛,孙宏伟. 云南大学学报(自然科学版). 2016(04)
[8]财经新闻与股市预测——基于数据挖掘技术的实证分析[J]. 孔翔宇,毕秀春,张曙光. 数理统计与管理. 2016(02)
[9]人工鱼群算法优化SVR的预测模型[J]. 高雷阜,高晶,赵世杰. 统计与决策. 2015(07)
[10]支持向量回归机预测误差校正方法[J]. 陈君,彭小奇,唐秀明,宋彦坡,刘征. 系统工程与电子技术. 2015(08)
本文编号：3379503
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 支持向量回归机的研究现状
1.2.2 基于支持向量回归机的股票预测研究现状
1.3 研究内容及创新点
1.3.1 研究内容
1.3.2 本文创新点
1.4 本文结构安排
第2章 统计学习与支持向量回归机
2.1 统计学习理论
2.1.1 学习机器推广能力的界
2.1.2 结构风险最小化归纳原则
2.1.3 回归算法推广能力的界
2.2 优化基本理论
2.2.1 凸二次规划与线性规划问题
2.2.2 凸二次规划与线性规划解的充要条件
2.2.3 Wolf对偶理论
2.3 常用核函数
2.3.1 核函数
2.3.2 常用核函数
2.4 支持向量回归机模型
2.5 本章小结
第3章 DNNW-SVR模型的提出及其改进
3.1 D近邻算法原理
3.2 改进的DNN算法-D近邻加权算法
3.3 DNNW-SVR模型的提出及其改进
3.3.1 DNNW-SVR模型
3.3.2 DNNW-SVR模型的改进
3.4 基于改进的DNNW-SVR模型的实证分析
3.4.1 模型评价指标
3.4.2 实验分析
3.5 本章小结
第4章 DNNW-εTSVR模型及在高频数据上的预测
4.1 ε-TSVR模型的建立及其求解推导
4.1.1 线性ε-TSVR模型
4.1.2 非线性ε-TSVR模型
4.2 DNNW-εTSVR模型的建立及其求解推导
4.3 DNNW-εTSVR模型在股市高频数据上的实证分析
4.3.1 数据来源和指标选取
4.3.2 模型评价指标
4.3.3 实证结果
4.4 本章小结
第5章 结论与展望
5.1 研究结论
5.2 研究展望
致谢
参考文献
攻读硕士学位期间发表论文及参加科研项目情况
附录
【参考文献】：
期刊论文
[1]一种支持向量机算法设计中优化的混合加权核函数选取与样本加权方法[J]. 曹万鹏,罗云彬,史辉. 小型微型计算机系统. 2018(02)
[2]基于改进的支持向量机的股票预测方法[J]. 郝知远. 江苏科技大学学报(自然科学版). 2017(03)
[3]基于改进网格搜索算法的随机森林参数优化[J]. 温博文,董文瀚,解武杰,马骏. 计算机工程与应用. 2018(10)
[4]最小二乘孪生参数化不敏感支持向量回归机[J]. 丁世飞,黄华娟. 软件学报. 2017 (12)
[5]基于离散小波分解和支持向量机的股指组合预测[J]. 严骏宏. 统计与决策. 2017(03)
[6]基于PCA-FOA-SVR的股票价格预测研究[J]. 王卫红,卓鹏宇. 浙江工业大学学报. 2016(04)
[7]关于股票价格优化预测的建模仿真研究[J]. 陈远,罗必辉,蒋维琛,孙宏伟. 云南大学学报(自然科学版). 2016(04)
[8]财经新闻与股市预测——基于数据挖掘技术的实证分析[J]. 孔翔宇,毕秀春,张曙光. 数理统计与管理. 2016(02)
[9]人工鱼群算法优化SVR的预测模型[J]. 高雷阜,高晶,赵世杰. 统计与决策. 2015(07)
[10]支持向量回归机预测误差校正方法[J]. 陈君,彭小奇,唐秀明,宋彦坡,刘征. 系统工程与电子技术. 2015(08)
本文编号：3379503
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3379503.html
