伴隨經(jīng)濟的發(fā)展和人們投資意識的轉(zhuǎn)變，股票越來越成為社會公眾關(guān)注的焦點，股票投資已經(jīng)成為現(xiàn)代人生活中一個非常重要的組成部分。但是股票投資收益的同時，也伴隨著相當(dāng)?shù)娘L(fēng)險，即投資越高，則可能要承擔(dān)的風(fēng)險也越大。因此，對于股市預(yù)測方法的研究不但具有深刻的理論意義更具有極其重要的應(yīng)用價值。但是股市系統(tǒng)內(nèi)部結(jié)構(gòu)的復(fù)雜性及其外部影響因素的多變性決定了對于股票市場預(yù)測的艱巨性，現(xiàn)有的分析預(yù)測方法應(yīng)用效果并不理想。同時，經(jīng)過多年的發(fā)展，股市已經(jīng)積累了很多數(shù)據(jù)信息，如何從這些數(shù)據(jù)中尋求到有價值的信息，將其應(yīng)用于投資決策中便成為了股市預(yù)測的焦點。支持向量機是數(shù)據(jù)挖掘中的一項新技術(shù)，是借助于最優(yōu)化方法解決機器學(xué)習(xí)問題的新工具。特別是近年來支持向量機在回歸算法的研究方面也表現(xiàn)了極好的性能，但是將其應(yīng)用到股市預(yù)測中卻并不多。本文在分析了現(xiàn)行股價預(yù)測的基礎(chǔ)上，提出了利用支持向量機對于股市預(yù)測的應(yīng)用�；谥С窒蛄繖C用于時間序列預(yù)測的理論基礎(chǔ)，給出了基于時間序列的支持向量機預(yù)測模型。并且選取上證180指數(shù)及青啤股價作為訓(xùn)練預(yù)測數(shù)據(jù)，在對核函數(shù)及其參數(shù)的適當(dāng)選擇情況下，對于支持向量機的股市預(yù)測進行了實證檢驗。結(jié)果表明，支... 

【文章來源】：青島大學(xué)山東省

【文章頁數(shù)】：44 頁

【學(xué)位級別】：碩士

【部分圖文】：

直觀圖比較

111234567891000圖5.2直觀圖比較固定C=10，對于￡取不同值時的結(jié)果，表5.4和圖5.3分別以數(shù)字和圖表的形式給以說明。表5.4￡取不同值時的結(jié)果￡￡取值值 0.1110.2220.01110.02220.0333ooo取值 值 0.0353330.2097770.0013330.0023330.002777’’啟襯吮鄉(xiāng)扮 扮奮奮七亡或補七丫 丫一 一 ;;;一一布‘‘‘婦.目一---一一— — ----一，“一一書~一翎 翎...‘一-.卜一甲.卜~竹州.一，，.下--二，，一___、 、一.一，務(wù)幣一萬 萬...1}一fl一;，!丫 rrr圖5.3直觀圖比較由上述兩表中可以看出E取值的輕微變化都會導(dǎo)致預(yù)測結(jié)果大幅度的改變。由此可見對于核函數(shù)參數(shù)c和E的選取對于模型的建立，預(yù)測結(jié)果的影響至關(guān)重要。在大樣本情況下，當(dāng) E=0.01

e=10時作L匕較，取￡=0.02，c=10時，均方差值為0.0014，與大樣本均方差值為0.0023。效果圖見圖5.4一一二擴礴廳 ---~小樣本一。一大樣本真實值圖5.4大效樣本比較結(jié)果5.3結(jié)果分析由以上在大樣本情況下關(guān)于各參數(shù)的比較及與小樣本情況下的比較可以看出:c的選取并不是越大或者越小就好，它的取值要根據(jù)樣本容量而定。過大或過小都不適宜，有可能造成過學(xué)習(xí)或?qū)W習(xí)不足的問題。E的選取完全靠經(jīng)驗和不停的嘗試來確定。同時通過對小樣本的分析，在￡也取0.02的情況下，均方差為0.0014遠(yuǎn)優(yōu)于在大樣本情況下的0.0023。這說明傳統(tǒng)上認(rèn)為的“原始樣本越多估計效果越好”在支持向量機中并不一定適用，這也從一方面表明了支持向量機對于小樣本具有較強的學(xué)習(xí)推廣能力。雖然預(yù)測值與真實值之間存在著一定的誤差，但通過選擇合適的核函數(shù)線性核函數(shù)以及相應(yīng)的參數(shù)C=10，￡二0.01

【參考文獻】：
期刊論文
[1]支持向量機的時間序列回歸與預(yù)測[J]. 董輝,傅鶴林,冷伍明.  系統(tǒng)仿真學(xué)報. 2006(07)
[2]論混沌經(jīng)濟的演進與發(fā)展[J]. 張梅,蕭其尹.  商業(yè)時代. 2005(14)
[3]基于SVR算法的短期負(fù)荷快速預(yù)測研究[J]. 王李東,李志宇,文勁宇.  繼電器. 2005(09)
[4]基于數(shù)據(jù)域描述的模糊支持向量回歸[J]. 張英,蘇宏業(yè),褚健.  信息與控制. 2005(01)
[5]基于SVM的特征加權(quán)KNN算法[J]. 陳振洲,李磊,姚正安.  中山大學(xué)學(xué)報(自然科學(xué)版). 2005(01)
[6]魯棒r-支持向量回歸機中參數(shù)r的選擇研究[J]. 朱嘉鋼,王士同,楊靜宇.  控制與決策. 2004(12)
[7]一種快速支持向量機分類算法[J]. 劉華富.  長沙大學(xué)學(xué)報. 2004(04)
[8]模糊線性支持向量回歸機[J]. 楊志民,鄧乃揚.  計算機工程與應(yīng)用. 2004(36)
[9]一種新的支持向量機增量學(xué)習(xí)算法[J]. 滕月陽,唐煥文,張海霞.  計算機工程與應(yīng)用. 2004(36)
[10]基于核聚類方法的多層次支持向量機分類樹[J]. 張國宣,孔銳,施澤生,郭立,劉士建,薛明東.  控制與決策. 2004(11)

碩士論文
[1]支持向量機模型和算法研究[D]. 姜翠萍.大連理工大學(xué) 2006



本文編號：3425818