支持向量機是以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ),建立在VC維和結(jié)構(gòu)風(fēng)險最小化原則之上的一種人工智能方法。它在多數(shù)情況下可以克服“維數(shù)災(zāi)難”和局部極小等傳統(tǒng)困難,因此擁有很強的泛化能力。該技術(shù)現(xiàn)已成為機器學(xué)習(xí)的研究熱點,并在模式識別、圖像分類等很多領(lǐng)域得到了成功應(yīng)用。目前支持向量機主要應(yīng)用于解決分類和回歸問題,很少用于時間序列預(yù)測。 時間序列預(yù)測是指通過有限的歷史樣本建立模型,利用模型解釋數(shù)據(jù)的統(tǒng)計學(xué)規(guī)律以達(dá)到控制和預(yù)報的目的。預(yù)報只是預(yù)測的一個方面,而預(yù)測一個最重要的功能就是把未來不確定的風(fēng)險轉(zhuǎn)化為可測算風(fēng)險。盡管不確定性未知,但風(fēng)險卻可以通過概率分布的統(tǒng)計來度量,比如經(jīng)驗風(fēng)險、結(jié)構(gòu)風(fēng)險和各種損失函數(shù)等。預(yù)測的誤差是不可避免的,預(yù)測者所能夠做的就是盡可能的找到更出色的預(yù)測技術(shù)來不斷降低預(yù)測的誤差,從而使投資人的目標(biāo)函數(shù)盡可能的利益最大化同時風(fēng)險最小。近年來,對金融工程研究已成為一大熱點,人們將神經(jīng)網(wǎng)絡(luò)、混沌理論、遺傳算法以及系統(tǒng)理論和當(dāng)代應(yīng)用數(shù)學(xué)研究的最新進(jìn)展等眾多理論與方法應(yīng)用于金融時間序列預(yù)測。本文將最小二乘支持向量算法與時間序列模型相結(jié)合應(yīng)用于金融領(lǐng)域的預(yù)測,以期得到更好的推廣。 文章緒論部分...

【文章頁數(shù)】：47 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題提出的背景
    1.2 課題提出的現(xiàn)狀
    1.3 預(yù)測概述
    1.4 主要工作和研究內(nèi)容
    1.5 文章組織結(jié)構(gòu)
2 支持向量回歸理論
    2.1 理論基礎(chǔ)
        2.1.1 經(jīng)驗風(fēng)險和期望風(fēng)險
        2.1.2 VC 維
        2.1.3 推廣性的界
        2.1.4 結(jié)構(gòu)風(fēng)險最小化原則
    2.2 支持向量回歸算法
        2.2.1 線性回歸算法
        2.2.2 非線性回歸算法
        2.2.3 最小二乘支持向量回歸算法
3 時間序列模型
    3.1 引言
    3.2 一般模型
        3.2.1 一般自回歸模型
        3.2.2 自回歸移動平均模型
        3.2.3 趨勢模型
    3.3 條件異方差模型
        3.3.1 ARCH 模型
        3.3.2 GARCH 模型
        3.3.3 幾種擴展模型
4 支持向量回歸和時間序列模型在金融市場預(yù)測中的應(yīng)用
    4.1 引言
    4.2 對上證指數(shù)的預(yù)測
        4.2.1 GARCH 模型預(yù)測
        4.2.2 LSSVM ? GARCH? M 模型預(yù)測
    4.3 對股指期貨走勢的預(yù)測
        4.3.1 實驗數(shù)據(jù)的選取及處理
        4.3.2 數(shù)據(jù)檢驗
        4.3.3 模型預(yù)測
    4.4 實驗結(jié)果分析及展望
        4.4.1 實驗結(jié)果分析
        4.4.2 展望
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號：3803449