基于核参数优化的SVM方法及其在股市中的应用研究

发布时间：2021-09-02 22:49

　　股票市场对国家经济发展有着举足轻重的意义,对经济发展发挥着重要作用。对股票价格的预测研究无论是对个人和企业的投资者以及政府有关部门制定相关经济政策都有着重要的意义。随着统计机器学习领域的发展,各种智能算法也不断涌现。从股票价格的特点来看,它在短期具有很大的不确定性,但是在长期趋势上则符合统计学规律。因此,在有限样本的情况下,通过机器学习算法来预测股票价格,是股票预测研究中的一个重要发展方向。其中,支持向量机（SVM）方法有着很强的优势,它对样本量的要求不大,能解决非线性问题,推广能力强。因此,本文以支持向量机方法为核心,在进行特征提取的基础之上建立了进行支持向量机核参数寻优的预测模型,获得了较好的预测结果。具体研究内容如下:1.针对上证指数技术指标数据,使用PCA方法对原始数据进行主成分分析,将46个技术指标作为输入特征进行相关性分析后剔除高相关特征实现降维,将共计754天的指标数据进行归一化处理后进行标签,继而用主成分分析得到累计方差贡献率超过85%的5个主成分和接近99%的18个主成分作为支持向量机的输入特征数据;2.在支持向量机训练过程中,本文分别使用了遗传算法、粒子群算法和人工... 

【文章来源】：西安理工大学陕西省

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

研究思路图

图 2.2 线性可分情况下的多解性Fig.2.2 Multiplicity in the case of linear separability在 -间隔分类超平面上 VC 维存在上界的定理：则间隔 -分类超平面集合的 VC 维 h 将存在误差的经验风险下，通过选择构造间隔面的距离，也就集的 VC 维，也就是结构风险最小化原则。本是线性可分的情况下，支持向量机的设计思想为本点正确分离，也以此得到最大的分类间隔。在此平面归一化：令 1，同时w和b 可以按照比例持向量）应满足：( w x b) 1i当 y 1( w x b) 1i当 y 1

iiiy ( w x b) 1 1 函数引入惩罚项C： liiwwC1221( , ) 规划问题时推导得到的 Wolfe 对偶问题与式（2-7）原理可分问题本身是线性不可分的情况时，就无法直接使用超平面进有学者引入了核函数这一概念，其基本思想为：在非线其从低维空间映射到高维空间，从而达到线性可分。因在原样本空间中进行，明显降低了在核函数映射之后处度。如图 2.3 所示，但是，支持向量机没有直接进行复达到复杂度的降低。


本文编号：3379875