隨著經(jīng)濟(jì)社會的發(fā)展,以及人們投資意識的增強,人們越來越多的參與到股票市場的經(jīng)濟(jì)活動中,股票投資也已經(jīng)成為人們生活的一個重要組成部分。但是股票市場的高回報伴隨著的是高風(fēng)險,因此對于股票市場的預(yù)測研究具有極為重要的經(jīng)濟(jì)意義。然而在股票市場中,首先面對的是眾多的指標(biāo)、眾多的信息,很難找出對股價更為關(guān)鍵的因素;其次股市結(jié)構(gòu)極為復(fù)雜,影響因素具有多樣性、相關(guān)性。這導(dǎo)致了很難找出股市內(nèi)在的模式。現(xiàn)有的分析預(yù)測方法在預(yù)測應(yīng)用中往往效果并不是很理想。支持向量機是一種新興的技術(shù),借助于最優(yōu)化理論、對偶理論等,采用結(jié)構(gòu)風(fēng)險最小化、核函數(shù)等方法來解決分類問題,有著較好的分類、回歸和泛化性能。支持向量回歸機就是在支持向量機的基礎(chǔ)上產(chǎn)生的,專門用于處理回歸問題的方法。近年來一些學(xué)者將其運用與股市預(yù)測并取得較好的預(yù)測效果。 本文從更好的結(jié)合股票市場的特點以及更充分的更合理的利用信息的角度出發(fā),建立了基于支持向量回歸機的預(yù)測模型,并以中國聯(lián)通(600050)和新五豐(600975)數(shù)據(jù)為例進(jìn)行了預(yù)測驗證。本文分析對比了現(xiàn)有股市預(yù)測方法,提出采用基于支持向量回歸機的方法進(jìn)行預(yù)測。為了更充分更合理的利用信息,在盡可能全面的收集股市信息的基礎(chǔ)上,利用相關(guān)系數(shù)來進(jìn)行線性相關(guān)分析,接著并利用散點圖進(jìn)行簡單的非線性相關(guān)分析,然后進(jìn)行靈敏度分析,去除各個相關(guān)性較少的因素,以達(dá)到找到關(guān)鍵信息的目的;同時在數(shù)據(jù)處理上,采用主成分分析的方法來約減數(shù)據(jù),去除各個因素之間的相關(guān)性和多重共線性。為了更好的結(jié)合股票市場的特點,在樣本選擇上采用自組織特征映射神經(jīng)網(wǎng)絡(luò)聚類的方法來擴(kuò)大那些非頻繁模式的影響,弱化長期趨勢的影響,更符合了股票市場多變性、動態(tài)性的特點。最后以中國聯(lián)通和新五豐兩個股票為例,分別進(jìn)行三組實驗。第一次實驗以原始變量為基礎(chǔ)進(jìn)行的基于支持向量回歸機的預(yù)測;第二次實驗是對影響因素進(jìn)行相關(guān)分析分析后,并采用主成分分析處理數(shù)據(jù),然后進(jìn)行的預(yù)測;第三次實驗預(yù)測是對樣本進(jìn)行聚類后的數(shù)據(jù)進(jìn)行預(yù)測。實驗結(jié)果表明第三次的預(yù)測精度最高,而第一次的精度最差,表明達(dá)到了改進(jìn)預(yù)測精度的目的。通過實驗表明支持向量回歸機能夠較好的預(yù)測股價,而通過變量優(yōu)化的關(guān)鍵影響變量的選擇也較好的提高了信息的利用,同時基于自組織特征映射神經(jīng)網(wǎng)絡(luò)的聚類也較好改善了長期趨勢模式的影響弱化非頻繁模式的影響的缺陷,最后的預(yù)測結(jié)果也有了明顯的改善。
【學(xué)位單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2009
【中圖分類】：F224;F832.51
【部分圖文】：

2R 中的 3 個點，可以被不同方向的直線所打散由圖3.2可得到2維空間中線性分類器的VC維是3，并且可以推廣到d 維空間線性分類器的VC維是 d + 1。如果對這些線性判別函數(shù)加以限制，則可以使其VC維降低。VC維反映了函數(shù)集的學(xué)習(xí)能力，VC維越大，學(xué)習(xí)機器越復(fù)雜。但是目前并沒有通用的關(guān)于任意函數(shù)集VC維計算的理論，只對一些特殊的函數(shù)集知道其VC維，如上述的2維線性分類器。對于一些比較復(fù)雜的學(xué)習(xí)機器（如神經(jīng)網(wǎng)絡(luò)），其VC維除了與函數(shù)集有關(guān)外

其實也就是對于非線性預(yù)測問題的，利用支持向量機或支持向量回歸機對股市每個國家的股市機制不一樣，完善程度、市市表現(xiàn)出來的規(guī)律模式也不一致，因而在預(yù)歸機的股市預(yù)測流程堅實的理論基礎(chǔ)，同時還給出了推廣能力的了回歸問題，同時采用了最優(yōu)化理論，使得性映射減少了復(fù)雜度，其最終決策取決于少數(shù)無關(guān)，這在一定程度上避免了維數(shù)災(zāi)難。進(jìn)行股價預(yù)測主要是采用技術(shù)指標(biāo)分析方法通過歷史數(shù)據(jù)進(jìn)行訓(xùn)練，得出模型，并用模如下圖 4.1。

圖 4.2 支持向量回歸機預(yù)測模型存在大盤股和中小盤股，大盤股基本能反映整體市場趨勢，中小盤股雖然也受市場整體趨勢的影響，但其自身的影響有著或整體實力相對較小，有時就會顯得對市場反應(yīng)非常敏感。(600050)和中小盤股新五豐(600975)分別進(jìn)行實驗預(yù)測。中國價變化基本與市場的整體趨勢相一致，因而用其做預(yù)測驗證的股票的適用情況；而新五豐是個隨機抽取的中小盤股，其對其預(yù)測驗證可以顯示該模型對股市中那些中小盤股是否也可的驗證預(yù)測，既有可以反應(yīng)整體趨勢的大盤股，也有個體因顯示出該模型對股市的大部分股票的預(yù)測程度。由于對宏觀度，為了減少模型的復(fù)雜性以及考慮數(shù)據(jù)的可得性，本文不用技術(shù)指標(biāo)的角度來進(jìn)行分析。為了盡可能的收集信息全面?zhèn)冞x取了大量的數(shù)據(jù)指標(biāo)作為原始數(shù)據(jù)，主要使用以下幾個

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 戴穩(wěn)勝;呂奇杰;David Pitt;;金融時間序列預(yù)測模型——基于離散小波分解與支持向量回歸的研究[J];統(tǒng)計與決策;2007年14期

2 劉星 ,張漢榮 ,萬迪;股價預(yù)測的基本分析方法[J];中外企業(yè)家;1995年02期

3 王若聰;神經(jīng)元網(wǎng)絡(luò)在股價預(yù)測中的應(yīng)用[J];管理科學(xué)文摘;1999年07期

4 李東,蘇小紅,馬雙玉;基于新維灰色馬爾科夫模型的股價預(yù)測算法[J];哈爾濱工業(yè)大學(xué)學(xué)報;2003年02期

5 汪淼,羅劍;運用馬爾科夫預(yù)測法構(gòu)建股價預(yù)測模型[J];經(jīng)濟(jì)師;2005年01期

6 彭海華,秦姣華;加權(quán)支持向量機在證券指數(shù)預(yù)測中的研究[J];湖南城市學(xué)院學(xué)報(自然科學(xué)版);2005年02期

7 奉國和,朱思銘;加權(quán)支持向量機在證券指數(shù)預(yù)測中的研究[J];經(jīng)濟(jì)數(shù)學(xué);2005年02期

8 徐紅敏;劉亞祿;;改進(jìn)的支持向量回歸機及其在水質(zhì)預(yù)測中的應(yīng)用[J];統(tǒng)計與決策;2006年23期

9 楊新斌;黃曉娟;;基于支持向量機的股票價格預(yù)測研究[J];計算機仿真;2010年09期

10 賈佳,肖冬榮;一種新的股價預(yù)測技術(shù)指標(biāo)——價量平均意愿指標(biāo)[J];統(tǒng)計與決策;2004年05期

相關(guān)會議論文 前10條

1 彭姝迪;林靜玉;周渠;李孟勵;;加權(quán)支持向量回歸機在傳感陣列模式識別中的應(yīng)用[A];重慶市電機工程學(xué)會2010年學(xué)術(shù)會議論文集[C];2010年

2 陳懿冰;張玲玲;石勇;;基于改進(jìn)的支持向量回歸機的金融時序預(yù)測[A];第六屆（2011）中國管理學(xué)年會論文摘要集[C];2011年

3 鄧小英;楊頂輝;關(guān)昕;;基于支持向量回歸的隨機噪聲消減和零漂去除[A];中國地球物理·2009[C];2009年

4 林建華;姜洪武;;短期股價預(yù)測模型及算法[A];發(fā)展的信息技術(shù)對管理的挑戰(zhàn)——99’管理科學(xué)學(xué)術(shù)會議專輯（下）[C];1999年

5 郭志明;趙春江;陳立平;黃文倩;;基于GA-LSSVR的煙草尼古丁含量的近紅外光譜分析[A];中國農(nóng)業(yè)工程學(xué)會電氣信息與自動化專業(yè)委員會、中國電機工程學(xué)會農(nóng)村電氣化分會科技與教育專委會2010年學(xué)術(shù)年會論文摘要[C];2010年

6 吳德會;;非線性動態(tài)系統(tǒng)的SVR辨識法[A];第二十六屆中國控制會議論文集[C];2007年

7 尹煥平;孫宗海;;基于自然梯度的支持向量回歸在線算法[A];2009中國控制與決策會議論文集（3）[C];2009年

8 林關(guān)成;李亞安;李國輝;;支持向量回歸的連續(xù)過松弛訓(xùn)練算法研究[A];2010’中國西部聲學(xué)學(xué)術(shù)交流會論文集[C];2010年

9 王玲;穆志純;郭輝;;基于支持向量回歸的增量建模方法[A];第25屆中國控制會議論文集（上冊）[C];2006年

10 楊慧中;邵信光;石晨曦;;一種改進(jìn)的支持向量回歸機啟發(fā)式算法[A];2005中國控制與決策學(xué)術(shù)年會論文集（上）[C];2005年

相關(guān)重要報紙文章 前10條

1 證券時報記者　 彭妮;Google股價再創(chuàng)歷史新高[N];證券時報;2006年

2 記者　唐錚;施正榮異軍突起成內(nèi)地新首富[N];北京日報;2006年

3 本報記者　 劉詩穎;巢東股份離奇重組調(diào)查[N];21世紀(jì)經(jīng)濟(jì)報道;2006年

4 董鳳斌;中國旺旺上市首日跌破發(fā)行價[N];中國證券報;2008年

5 本報記者　 許少業(yè);H股未發(fā)先熱 招行A股陽光燦爛[N];上海證券報;2006年

6 徐國杰;長期看好雙匯發(fā)展[N];中國證券報;2007年

7 ;施正榮：中國新首富的誕生[N];經(jīng)理日報;2006年

8 耿彩琴　唐錚;興業(yè)暫領(lǐng)銀行股價格首位[N];北京日報;2007年

9 廣州新升證券中心;利用黃金分割捕捉最佳買點[N];財經(jīng)時報;2001年

10 趙錚;生物制藥資本回歸[N];醫(yī)藥經(jīng)濟(jì)報;2005年

相關(guān)博士學(xué)位論文 前10條

1 趙永平;支持向量回歸機及其在智能航空發(fā)動機參數(shù)估計中的應(yīng)用[D];南京航空航天大學(xué);2009年

2 譚顯勝;支持向量回歸解釋性體系的建立及應(yīng)用[D];湖南農(nóng)業(yè)大學(xué);2010年

3 余艷芳;改進(jìn)型支持向量回歸機及其在過程建模與控制中的應(yīng)用[D];華東理工大學(xué);2010年

4 周金柱;電子裝備結(jié)構(gòu)因素對電性能影響的支持向量建模與補償[D];西安電子科技大學(xué);2011年

5 蔣輝;經(jīng)濟(jì)預(yù)測的灰色支持向量回歸方法[D];中南大學(xué);2010年

6 裴軍芳;基于QPSO優(yōu)化的聚合物玻璃化轉(zhuǎn)變溫度的支持向量回歸研究[D];重慶大學(xué);2012年

7 袁從貴;最小二乘支持向量回歸及其在水質(zhì)預(yù)測中的應(yīng)用研究[D];廣東工業(yè)大學(xué);2012年

8 孫少超;數(shù)據(jù)校正和支持向量機的過失誤差識別的研究[D];華東理工大學(xué);2012年

9 向國齊;支持向量回歸機代理模型設(shè)計優(yōu)化及應(yīng)用研究[D];電子科技大學(xué);2010年

10 劉廣利;基于支持向量機的經(jīng)濟(jì)預(yù)警方法研究[D];中國農(nóng)業(yè)大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 苗強;農(nóng)民收入的粗糙支持向量回歸與實證分析[D];安徽大學(xué);2010年

2 阿磊;基于支持向量回歸機的匯率預(yù)測[D];華東師范大學(xué);2011年

3 王（山弄）;支持向量回歸在曲線擬合/重構(gòu)中的應(yīng)用[D];中國農(nóng)業(yè)大學(xué);2005年

4 陳金翠;最小二乘支持向量回歸組合預(yù)測模型的應(yīng)用[D];新疆大學(xué);2010年

5 楊芳;基于支持向量回歸(SVR)的材料熱加工過程建模[D];上海交通大學(xué);2010年

6 劉菊艷;基于數(shù)據(jù)挖掘技術(shù)的短期風(fēng)速預(yù)測[D];西安科技大學(xué);2010年

7 王剛;支持向量回歸機在藥品銷售預(yù)測中的分析及應(yīng)用[D];云南財經(jīng)大學(xué);2010年

8 陳超;基于支持向量回歸的集成價格預(yù)測方法研究[D];吉林大學(xué);2011年

9 李鵬超;基于模擬退火算法和支持向量回歸的網(wǎng)格資源預(yù)測[D];吉林大學(xué);2010年

10 蔡國成;基于支持向量回歸機的股價預(yù)測研究[D];杭州電子科技大學(xué);2009年

本文編號：2813293