發(fā)布時間：2020-10-27 23:19

　　 股票市場是一個復(fù)雜的、進(jìn)化的、非線性的動態(tài)系統(tǒng),因此股價(jià)指數(shù)預(yù)測被認(rèn)為是最具挑戰(zhàn)性的時間序列預(yù)測應(yīng)用領(lǐng)域之一。 近年來,支持向量機(jī)技術(shù)在時間序列預(yù)測應(yīng)用領(lǐng)域取得了很好的效果。支持向量機(jī)從控制學(xué)習(xí)機(jī)器復(fù)雜度的思想出發(fā),不同于傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則,提出了結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,力求經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的同時,希望學(xué)習(xí)模型的推廣性盡可能大。但是,由于股票市場的復(fù)雜性,單一技術(shù)(如支持向量機(jī))很難完全挖掘出市場信息,采用多個機(jī)器學(xué)習(xí)技術(shù)以構(gòu)建混合模型是解決此問題的一種途徑。 本文構(gòu)建基于支持向量機(jī)、自組織映射神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化算法的混合模型以解決股價(jià)指數(shù)的多步預(yù)測問題。其中,自組織映射神經(jīng)網(wǎng)絡(luò)自動的根據(jù)數(shù)據(jù)間的相似性對訓(xùn)練數(shù)據(jù)集進(jìn)行聚類;支持向量機(jī)對各類別數(shù)據(jù)集構(gòu)建回歸預(yù)測模型;粒子群優(yōu)化算法用于尋找支持向量機(jī)建模過程中的最優(yōu)超參數(shù)。不同的支持向量機(jī)能夠捕捉股市的不同模式,從而該混合模型能解決股價(jià)指數(shù)的波動性問題。本文提出的混合模型采用多步預(yù)測領(lǐng)域中的迭代策略和直接策略,對道瓊斯工業(yè)指數(shù)進(jìn)行5步提前預(yù)測,并以單一支持向量機(jī)模型為對比方法,數(shù)據(jù)仿真表明:基于正則均方誤差,平均絕對百分比誤差指標(biāo)和DM檢驗(yàn)結(jié)果,混合模型的預(yù)測性能優(yōu)于傳統(tǒng)的單一模型。
【學(xué)位單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2010
【中圖分類】：F830.91;F224
【部分圖文】：

圖 3-2 迭代策略框架現(xiàn)思路如下： 構(gòu)建一步預(yù)測模型 f ( )。然后應(yīng)用預(yù)測模型 f ( )進(jìn)行提( )^) = f ( x (t + 1), x t , x (t 1), …, x (t ( p 2))) (中的預(yù)測值^x (t + 1)替代未知值 x (t + 1)作為模型的輸^), … , x (t +h)均被迭代的預(yù)測。在第 k ,1≤ k ≤ h步中，有 預(yù)測值作為模型的輸入。當(dāng) h 1≥ p時，所有的輸入值均測能力將急劇下降。迭代預(yù)測法的最大優(yōu)點(diǎn)為整個預(yù)測過而簡化了建模過程，節(jié)省了建模時間。但其缺點(diǎn)也是明會積累到下一步的預(yù)測過程中，當(dāng)預(yù)測步數(shù)過長時，這種

圖 4-6 神經(jīng)元鄰域圖上圖中神經(jīng)元連接拓?fù)錇樗倪呅�。圖中最黑的點(diǎn)，即標(biāo)示為 Home Neuron 的點(diǎn)就是優(yōu)勝神經(jīng)元，其距離為 0，以此點(diǎn)為中心向四周擴(kuò)散，最內(nèi)方框里的八個神經(jīng)元與優(yōu)勝神經(jīng)元的距離為 1，次外層方框內(nèi)的 16 個神經(jīng)元與優(yōu)勝神經(jīng)元的距離為 2，以此類推，當(dāng)距離超出一定數(shù)值時，此外的神經(jīng)元不視為領(lǐng)域內(nèi)的神經(jīng)元，不參與學(xué)習(xí)。在 SOM 網(wǎng)絡(luò)訓(xùn)練過程中，輸出神經(jīng)元的權(quán)向量iω 逐漸向獲勝神經(jīng)元靠近。權(quán)向量集是對訓(xùn)練樣本集中所有樣本的描述，相似度較高的神經(jīng)元聚集在一起，在網(wǎng)格中形成一個個聚類的數(shù)據(jù)云，從而權(quán)向量可看作是以它為獲勝神經(jīng)元的所有樣本的聚類中心。4.1.2 U 矩陣

得到如下二次規(guī)劃問題：)( ) ( ( ) ( )) ( ) * * 1 1n ni j j i j i i i i a a φ x φ x ε y a = = + ∑ + ∑ ) [ ]* *0, , 0, , (4i i i ia a = a a ∈ C，此時式（4-8）轉(zhuǎn)化為：) ( ( ) ( ))*. ( i i a φ x φx b + 計(jì)算出b ，通過引入 Karush-Kuhn-Tucker( ( )))0iw x bφ+ + =
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張玉川;張作泉;;支持向量機(jī)在股票價(jià)格預(yù)測中的應(yīng)用[J];北京交通大學(xué)學(xué)報(bào);2007年06期

2 尉詢楷,李應(yīng)紅,王碩,路建明,汪誠;基于支持向量機(jī)的航空發(fā)動機(jī)滑油監(jiān)控分析[J];航空動力學(xué)報(bào);2004年03期

3 陳友,張國基,郭國雄;一種改進(jìn)的SVM算法及其在證券領(lǐng)域中的應(yīng)用[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年07期

4 羅澤舉;宋麗紅;薛宇峰;朱思銘;;一類基于SVM/RBF的氣象模型預(yù)測系統(tǒng)[J];計(jì)算機(jī)工程;2006年21期

5 陳政;楊天奇;;基于RBF神經(jīng)網(wǎng)絡(luò)的股票市場預(yù)測[J];計(jì)算機(jī)應(yīng)用與軟件;2010年06期

6 金桃;岳敏;穆進(jìn)超;宋偉國;何艷珊;陳毅;;基于SVM的多變量股市時間序列預(yù)測研究[J];計(jì)算機(jī)應(yīng)用與軟件;2010年06期

7 江田漢;束炯;;基于LSSVM的混沌時間序列的多步預(yù)測[J];控制與決策;2006年01期

8 張晨希;張燕平;張迎春;陳潔;萬忠;;基于支持向量機(jī)的股票預(yù)測[J];計(jì)算機(jī)技術(shù)與發(fā)展;2006年06期

9 楊一文,劉貴忠,蔡毓;基于模糊神經(jīng)網(wǎng)絡(luò)和R/S分析的股票市場多步預(yù)測[J];系統(tǒng)工程理論與實(shí)踐;2003年03期

10 孟慶芳;張強(qiáng);牟文英;;混沌序列自適應(yīng)多步預(yù)測及在股票中的應(yīng)用[J];系統(tǒng)工程理論與實(shí)踐;2005年12期

相關(guān)博士學(xué)位論文 前1條

1 王俊偉;粒子群優(yōu)化算法的改進(jìn)及應(yīng)用[D];東北大學(xué);2006年

相關(guān)碩士學(xué)位論文 前1條

1 沈志剛;支持向量回歸機(jī)在股票價(jià)格預(yù)測中的分析與應(yīng)用[D];暨南大學(xué);2007年

本文編號：2859219