基于支持向量机的金融时序数据预测算法研究

摘要

在金融时序数据预测方面,为了达到风险结构最小化,在1995年Vapnik提出支持向量机模型。置信区间和经验风险的两方面影响能被向量机的风险最小化理论兼顾了,不单单是对经验风险寻求最小化。因此,它在和神经网络模型进行对比时,其表现更为优良。支持向量机的优势不止如此,它在进行训练模型时,计算难易度与传统不同,不依赖于输入信息的维数。支持向量机起初广泛地用在机器学习、模式识别等相关领域,非线性回归问题在近年来也开始运用支持向量机。
　　目前有很多研究表明,在预测金融时序的领域,输入与输出两个变量的关系不是固定的,两者总是随着时间的变化而变化,在预测问题中,近期的数据相对于远期的数据,其包含信息多得多,由此自然的想法是对于近期的信息赋予更高的权重。本文选取股票开盘指数作为金融时序数据的特列进行预测与分析。
　　股票是与广大人民群众的生活以及社会经济发展息息相关的,因此股票预测在社会生活中有着非常重要的实际意义。
　　本文的股票预测系统主要是用两种算法来实现对股票开盘指数的预测。第一种算法是支持向量机的回归预测算法,根据股票数据特征值建立一个模型,然后利用该模型进行股票开盘指数的预测,最后与真实结果相对比。第二种算法是支持向量机时序回归预测,该算法不考虑股票的数据特征值,仅把时间作为自变量,然后把时间信息粒化,每个时间信息粒包含最低值,最高值和平均值,根据时间序列预测股票的波动区间。
　　两种算法各有特点,第一个算法考虑的特征因素较多,预测的准确率相对较高;而第二种算法则通过信息粒化能预测到连续几个交易日股票开盘指数的波动区间,从而能够更明显的看出股票的走势。

目录

封面

声明

中文摘要

英文摘要

致谢

目录

插图清单

表格清单

第一章 绪论

1.1 背景介绍

1.2 本文组织结构

第二章 支持向量机 SVM

2.1 支持向量机简介

2.2 线性分类器

2.3 核函数

2.4 松弛变量

2 . 5 SVM用于多分类

2.6 本章小结

第三章 LIBSVM 工具箱

3 . 1 LibSVM工具箱简介

3.2 开发环境的设置说明

3.3 本章小结

第四章 实验结果与分析

4.1 SVM的回归预测结果

4.2 SVM的信息粒化时序回归预测结果

4.3 本章小结

第五章 总结与展望

5.1 本文总结

5.2 工作展望

参考文献