基于支持向量机的混合时间序列模型的研究与应用

发布时间：2017-04-17 19:22

  本文关键词：基于支持向量机的混合时间序列模型的研究与应用，由笔耕文化传播整理发布。

【摘要】：股票价格指数是一个动态变化的非线性复杂系统。对股票价格走势的预测不仅有利于一个国家实行对本国有利的宏观经济调控政策,而且也可为股票投资者提供一个参考依据,达到有效降低投资风险的目的。一般的股票预测方法存在过学习、维数灾难、易陷入局部最优等缺点。支持向量机(SVM)可以较好的解决这些问题,但又因自身模型计算过程复杂使其使用范围长期受到限制,基于此,将支持向量机模型利用相空间重构简化其计算过程,将非线性优化问题转化为线性的优化问题,最小二乘支持向量机(LSSVM)基于此产生。当下最小二乘支持向量机模型的研究主要集中在两方面。一方面,由于样本数据较多,而样本之间存在相似度较高的数据,导致计算机运行时间长,因此样本的稀疏性问题成为本文的首要研究问题。另一方面,最小二乘支持向量机的惩罚参数和核参数对最小二乘支持向量机模型的泛化性能有重要影响,选择最优的参数取值可以提高最小二乘支持向量机模型的预测精度。基于此,本文先针对样本稀疏性问题利用算法简单、参数少、能够处理大数据样本的K-mean聚类经典算法对样本数据剔除相关性较强的冗余数据,得到表示样本空间的表征点集,较好改善了样本的稀疏性问题。再选用粒子群(PSO)算法对LSSVM模型确定最优参数值,选取适应度值最大时的参数取值,此时模型的泛化能力最强。最终提出基于PSO优化改进LSSVM股票价格预测模型,并选取曙光股份2014年5月23日到2015年4月30日的最新股票数据,利用MATLAB软件进行仿真实验以验证所建立模型的有效性。结果表明:基于PSO改进LSSVM的股票价格走势预测模型相比LSSVM模型具有支持向量少、计算速度快、预测精度高的优点。通过学习支持向量机与时间序列一般模型的基础知识,结合时间序列对线性系统的良好预测效果,利用支持向量机中的核函数将股票非线性系统映射到高维特征空间变为线性系统,再利用时间序列一般模型对该线性系统预测。最终建立基于支持向量机的混合时间序列模型。在同花顺软件上下载东风汽车有限公司2014年04月15日至2015年03月26日的股票数据作为实验数据,将仿真实验结果与真实值对比,并与单一的时间序列模型及支持向量机模型的预测结果进行对比,结论表明:基于支持向量机的混合时间序列模型比单一的支持向量机模型或时间序列模型的泛化性能好。
【关键词】：股票价格预测 时间序列分析 支持向量机 最小二乘支持向量机 粒子群算法 K-mean聚类
【学位授予单位】：沈阳工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：O211.61;TP18
【目录】：

• 摘要4-6
• Abstract6-9
• 第1章 绪论9-14
• 1.1 股票预测的背景、意义9-10
• 1.2 股票预测的研究现状10-11
• 1.3 支持向量机的研究背景、意义与研究现状11-13
• 1.3.1 支持向量机的研究背景及意义11
• 1.3.2 支持向量机的研究现状11-12
• 1.3.3 最小二乘支持向量机的研究现状12-13
• 1.4 本文主要研究内容13-14
• 第2章 与课题相关基本概念与基础知识14-23
• 2.1 时间序列分析的基本模型14-15
• 2.2 统计学习理论15-17
• 2.3 支持向量机理论17-20
• 2.3.1 支持向量机模型17-18
• 2.3.2 最小二乘支持向量机模型18-20
• 2.4 交叉验证法20-23
• 2.4.1 交叉验证法的概述20-21
• 2.4.2 一般的交叉验证法21-23
• 第3章基于粒子群优化改进最小二乘支持向量机的股票价格预测23-32
• 3.1 引言23-24
• 3.2 PSO优化算法与LSSVM优化模型24-25
• 3.2.1 改进的LSSVM模型24-25
• 3.2.2 PSO优化算法25
• 3.3 实证研究25-31
• 3.3.1 原始样本数据的K-mean聚类25-26
• 3.3.2 PSO-LSSVM模型股票走势预测26-29
• 3.3.3 LSSVM模型的股票走势预测29
• 3.3.4 LSSVM与PSO-LSSVM的仿真结果对比分析29-31
• 3.4 本章总结31-32
• 第4章 基于支持向量机的混合时间序列股票价格预测模型32-38
• 4.1 引言32
• 4.2 基于支持向量机的混合时间序列模型32-33
• 4.2.1 支持向量机模型32-33
• 4.2.2 时间序列模型33
• 4.3 原始股票数据的预处理33-34
• 4.4 实证分析34-36
• 4.5 本章总结36-38
• 第5章 结论与展望38-39
• 参考文献39-42
• 在学研究成果42-43
• 致谢43

【相似文献】

中国期刊全文数据库 前10条

1 杨贵军;;时间序列模型描述个体经济发展趋势的局限性及改进方法[J];现代财经(天津财经大学学报);2006年07期

2 郭顺生;王磊;黄琨;;基于时间序列模型预测汽车销量研究[J];机械工程师;2013年05期

3 李宝慧;用时间序列模型对社会消费品指数的规律进行研究和预测[J];统计研究;2000年01期

4 叶阿忠,李子奈;我国通货膨胀的混合回归和时间序列模型[J];系统工程理论与实践;2000年09期

5 吴令云,赵远东;用时间序列模型分析突发事件对经济的影响[J];统计与决策;2004年04期

6 陈飞,高铁梅;结构时间序列模型在经济预测方面的应用研究[J];数量经济技术经济研究;2005年02期

7 霍振宏;;基于时间序列模型下国民经济发展趋势实证分析[J];中原工学院学报;2007年04期

8 郑煜;孟军;;时间序列模型对黑龙江省水稻比较优势的预测[J];东北林业大学学报;2008年10期

9 张新波;;时间序列模型在税收预测中的应用[J];湖南税务高等专科学校学报;2010年04期

10 刘领坡;;我国社会消费品零售总额时间序列模型及预测[J];经济论坛;2011年06期

中国重要会议论文全文数据库 前4条

1 汪宏晶;林曦晨;汤洪秀;尹平;;多元时间序列模型及其应用[A];2011年中国卫生统计学年会会议论文集[C];2011年

2 史青;练晓华;;时间序列模型在地铁结构变形预测中的应用[A];第十五届华东六省一市测绘学会学术交流会论文集（江苏上海论文分册）[C];2012年

3 黄荣坦;;厦门港集装箱吞吐量的时间序列模型[A];2002年中国管理科学学术会议论文集[C];2002年

4 赵庆江;迟凯;付芳萍;李潮潮;车文刚;;基于FCM的模糊时间序列模型及人民币汇率预测[A];第二十九届中国控制会议论文集[C];2010年

中国重要报纸全文数据库 前2条

1 国海证券研究所;时间序列模型预测3月CPI为—1.26%[N];上海证券报;2009年

2 罗佐县;勘探投资须研究规律提高效率[N];中国石化报;2008年

中国博士学位论文全文数据库 前2条

1 赵彪;两类时间序列模型的统计推断[D];中国科学技术大学;2015年

2 邱望仁;模糊时间序列模型及其在股指趋势分析中的应用研究[D];大连理工大学;2012年

中国硕士学位论文全文数据库 前10条

1 段炼;基于时间序列模型的日内交易策略在A股市场上的应用[D];复旦大学;2014年

2 李金玲;基于特征展开法的模糊时间序列模型的约减算法[D];大连海事大学;2015年

3 王鹏飞;基于自相关函数的模糊时间序列模型的优化算法[D];大连海事大学;2015年

4 孙自珂;风电并网对电力系统可靠性影响研究[D];山东大学;2015年

5 李修成;城市范围内PM2.5时间预测研究[D];哈尔滨工业大学;2015年

6 王倩;非线性时间序列模型研究及实证分析[D];电子科技大学;2014年

7 刘洋;基于SVM修正的模糊时间序列模型在沪指预测中的应用[D];南京大学;2015年

8 尹小琴;基于支持向量机的混合时间序列模型的研究与应用[D];沈阳工业大学;2016年

9 涂晔;时间序列模型的误差分析与研究[D];昆明理工大学;2009年

10 李井波;基于时间序列模型研究破产理论[D];新疆大学;2008年

  本文关键词：基于支持向量机的混合时间序列模型的研究与应用，由笔耕文化传播整理发布。

，

本文编号：314143