本文選題：支持向量機　切入點：量化投資　出處：《浙江工商大學(xué)》2013年碩士論文

【摘要】：在現(xiàn)代智能技術(shù)中很重要的一項就是機器學(xué)習(xí),計算機模擬人類學(xué)習(xí)的過程,根據(jù)對歷史信息的分析,做出預(yù)測的指導(dǎo),在金融方面的進行機器學(xué)習(xí)一直是研究者研究的一個方向�；诮y(tǒng)計學(xué)上的神經(jīng)網(wǎng)絡(luò)(RBF)算法正是在這樣的情況被應(yīng)用在金融方面,并且取得了優(yōu)于傳統(tǒng)模型的效果。但是神經(jīng)網(wǎng)絡(luò)有著先天的一些缺點：建立在樣本數(shù)量無窮多的基礎(chǔ)上,這往往與事實不符；當小樣本的情況發(fā)生時,神經(jīng)網(wǎng)絡(luò)容易發(fā)生過度學(xué)習(xí)的現(xiàn)象；泛化能力較差等。這些缺點制約了神經(jīng)網(wǎng)絡(luò)算法在金融數(shù)據(jù)上的應(yīng)用。 為了在小樣本量的情況下實現(xiàn)機器學(xué)習(xí),V. Vapnik (1995)等人基于統(tǒng)計學(xué)習(xí)理論(SLT)的基礎(chǔ)上提出了一種新的機器學(xué)習(xí)算法支持向量機(Suppory Vector Machine,簡稱SVM)用于數(shù)據(jù)挖掘。支持向量機的優(yōu)點在于其對樣本量并沒有太大的要求,并且通過構(gòu)造核函數(shù)將非線性的問題映射為線性的問題,其推廣能力遠遠強于神經(jīng)網(wǎng)絡(luò)以及傳統(tǒng)的數(shù)據(jù)挖掘方法,這種算法從一問世就受到了國內(nèi)外科研工作者的關(guān)注和研究,目前已經(jīng)在生物、醫(yī)學(xué)、圖像識別等方面得到了應(yīng)用,但在金融方面的應(yīng)用仍然很少�，F(xiàn)有的金融問題研究大多數(shù)使用傳統(tǒng)的計量方法,這些方法都有著各自所必須的理論假設(shè),與實際并不符。所以研究支持向量機算法在金融市場的應(yīng)用有著重要的理論意義。 由于支持向量機在實際應(yīng)用方面仍有一定的缺點,比如最優(yōu)參數(shù)的取值,特征變量的噪音問題等。鑒于上述情況,本文建立起適用于金融數(shù)據(jù)挖掘的支持向量機模型,并對股票市場的大盤趨勢進行預(yù)測,具有現(xiàn)實意義。 目前在金融市場中更多的是利用時間序列進行回歸的分析,而本文通過支持向量機算法將技術(shù)面指標作為輸入變量基于技術(shù)分析對股票市場的趨勢進行了預(yù)測；并且在此基礎(chǔ)上為了得到更好的預(yù)測結(jié)果,本文進一步建立了結(jié)合特征提取與參數(shù)尋優(yōu)的預(yù)測模型,以此增強其在實際中的應(yīng)用性,包括以下方面：使用主成分分析法對數(shù)據(jù)進行特征提取的預(yù)處理,以除去樣本相關(guān)信息的干擾；分別使用了網(wǎng)格搜索法(Grid)、遺傳算法(GA)、粒子群(PSO)算法對支持向量機的參數(shù)進行尋優(yōu)。 本文首先總結(jié)了支持向量機算法的研究進展以及對其優(yōu)化方法的研究進展；然后闡述了支持向量機的理論基礎(chǔ)；接著提出構(gòu)造出基于支持向量機預(yù)測模型的思路和所用算法的理論基礎(chǔ)；最終將其應(yīng)用金融市場上,對股票市場的短期趨勢進行了預(yù)測的實證研究。實證結(jié)果表明：經(jīng)過主成分分析處理后,不管是使用什么參數(shù)尋優(yōu)的方法均比不做處理時的預(yù)測精度要高,且運行的時間大大減少,這說明應(yīng)用主成分分析進行數(shù)據(jù)預(yù)處理是有效的。進行了參數(shù)尋優(yōu)的支持向量機其預(yù)測的精度都要遠遠的高于神經(jīng)網(wǎng)絡(luò)法,其中使用網(wǎng)格搜索法尋優(yōu)的支持向量機表現(xiàn)出最好的預(yù)測效果,在股票市場的預(yù)測中有接近60%的準確率,而遺傳算法支持向量機雖然預(yù)測效果稍遜于網(wǎng)格搜索法,但其模型運行的時間要快于網(wǎng)格搜索法,粒子群算法的在支持向量機的參數(shù)尋優(yōu)中的也有優(yōu)于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。本文建立的模型與神經(jīng)網(wǎng)絡(luò)模型或者其他的傳統(tǒng)人工智能算法相比,更具有經(jīng)濟適用價值,可以在一定程度上給投資者指導(dǎo),如果在準確率方面可以進一步的得到提高,在未來可以考慮使用支持向量機建立起量化投資的模型用來投入實際應(yīng)用。
[Abstract]:......
【學(xué)位授予單位】：浙江工商大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：F830.91;TP183

【參考文獻】

相關(guān)期刊論文 前10條

1 劉鳳琴;馬俊海;;金融衍生證券的人工神經(jīng)網(wǎng)絡(luò)定價方法研究進展評述[J];財經(jīng)論叢;2008年03期

2 盧t澤;葉德謙;南敏;;基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的股票價格預(yù)測[J];電腦開發(fā)與應(yīng)用;2010年02期

3 楊國梁;趙社濤;徐成賢;;基于支持向量機的金融市場指數(shù)追蹤技術(shù)研究[J];國際金融研究;2009年10期

4 張鴻彥;林輝;;應(yīng)用混合神經(jīng)網(wǎng)絡(luò)和遺傳算法的期權(quán)價格預(yù)測模型[J];管理工程學(xué)報;2009年01期

5 朱永生,張優(yōu)云;支持向量機分類器中幾個問題的研究[J];計算機工程與應(yīng)用;2003年13期

6 李瓊;董才林;陳增照;何秀玲;;一種快速的SVM最優(yōu)核參數(shù)選擇方法[J];計算機工程與應(yīng)用;2010年15期

7 蕭嶸;王繼成;張福炎;;支持向量機理論綜述[J];計算機科學(xué);2000年03期

8 張豪;羅亦泳;張立亭;陳竹安;;基于遺傳算法最小二乘支持向量機的耕地變化預(yù)測[J];農(nóng)業(yè)工程學(xué)報;2009年07期

9 王建中;劉凌;徐金陽;;基于遺傳算法與支持向量機的日流量預(yù)測[J];水電能源科學(xué);2008年04期

10 胡小平;計算投資組合風(fēng)險的改進支持向量機方法[J];數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究;2005年05期

，

本文編號：1663991