【摘要】：伴隨著經濟體制的逐步成熟以及人們對股市關注度的提高,股票市場作為宏觀經濟的“晴雨表”,預示著一個國家經濟的走向。但股票市場高度復雜化、非線性、不確定性等特點,使其價格波動的預測異常困難,因此,傳統(tǒng)的計量結構模型和時間序列模型不足以滿足股票數(shù)據的預測要求。支持向量機是一種新型機器學習技術,它是建立在統(tǒng)計學習理論、最優(yōu)化理論以及結構風險最小化原理的基礎上,能夠較好的解決小樣本學習,同時避免了“維數(shù)災難”、網絡收斂速度慢、容易造成局部極小化等缺點。目前該技術已在多個領域得到成功應用,主要應用于數(shù)據的分類和回歸問題。隨著對金融時間序列研究的不斷深入,人們逐漸發(fā)現(xiàn)自回歸條件異方差模型對市場波動性的刻畫比較準確,并且具有一定的預測能力。為準確識別、測量金融市場的風險,將VaR引入我國股票市場是勢在必行之舉,這些都對分析股市經濟含義,方法金融風險具有重要參考價值。本文首先介紹了支持向量機的相關理論,接下來對時間序列模型及風險價值進行說明,通過選取滬深300指數(shù)和個股股票價格為研究對象,對其建立條件異方差模型,并利用基于CARCH類模型的VaR值來描述股市風險的實際情況,經過不斷優(yōu)化選擇ε-支持向量回歸機模型的參數(shù)最終確立模型,并且采用支持向量回歸算法與條件異方差模型相結合的方法對滬深300指數(shù)進行預測,推測未來趨勢。最后,通過預測值與真實值之間的對比。得到幾種模型的預測精度和預測效果。本文結果表明,支持向量機的預測精度要優(yōu)于其他模型,對股票數(shù)據的預測效果比較令人滿意,由此可見,支持向量回歸算法對股市的預測具有一定的有效性。
【圖文】：

圖 2.1 結構風險最小化示意圖Fig.2.1 Schematic diagram of structural risk minimization分類機人于 20 世紀 90 年代中期提出的支持向量機是統(tǒng)計核心思想是將結構風險最小化應用到分類當中，為數(shù)依據。在訓練樣本中找到最優(yōu)超平面而將樣本分開是初在線性情況下可分，將其歸納為對凸二次優(yōu)化及處理非線性情況下可分。當遇到在維度較低的空間中在映射到高維度空間后卻可以使其轉化為簡單的線維后再分類的思想為不同形態(tài)的數(shù)據分類提供了可分復雜這一弊端，為避免“維數(shù)災難”我們引入了核間中的內積運算，徹底解決了數(shù)據分類中所產生的一種適用性強、計算簡單可行的學習方法。

圖 2.2 最優(yōu)分類超平面Fig2.2 optimal margin本集 1 2 i iG x ,y ,i , , l 是線性可分的，其中1 ，iy 是ix 的樣本類別，如果nix R屬于第 1 類，第 2 類，則ix 標記為負 1 iy 。則必然存在一個w,x b 0,其中 w,x 是 w 與 x 的內積, b 為偏移量。把數(shù)據件：w,x b 1當 1iy w,x b 1 當 1iy
【學位授予單位】：遼寧師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：F224;F832.51

【相似文獻】

相關期刊論文 前10條

1 馮劍豐;王洪禮;李勝朋;;基于支持向量機的浮游植物密度預測研究[J];海洋環(huán)境科學;2007年05期

2 蔡佳;陳洪;;ν-支持向量機的收斂性[J];湖北大學學報(自然科學版);2005年04期

3 唐萬梅;;基于灰色支持向量機的新型預測模型[J];系統(tǒng)工程學報;2006年04期

4 熊宇虹;溫志渝;梁玉前;陳勤;張波;劉妤;向賢毅;;基于支持向量機的模型傳遞方法研究[J];光譜學與光譜分析;2007年01期

5 左林;;一個新的稀疏支持向量機模型[J];山西師范大學學報(自然科學版);2008年03期

6 赫英明;王漢杰;;支持向量機在積雪檢測中的應用[J];南京氣象學院學報;2009年01期

7 賈亮;王禮力;;支持向量機在上市公司財務預警模型中的應用[J];淮陰工學院學報;2010年02期

8 郎宇寧;藺娟如;;基于支持向量機的多分類方法研究[J];中國西部科技;2010年17期

9 謝福民;;支持向量機理論研究[J];科技廣場;2011年01期

10 王紅蔚;席紅旗;孔波;;一種新的半監(jiān)督支持向量機[J];鄭州大學學報(理學版);2012年03期

相關會議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術應用學術會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術年會論文集[C];2006年

10 侯澍e，

本文編號：2538239