時間序列的預(yù)測對人們的生活起著重要的指導(dǎo)作用。隨著機器學(xué)習(xí)技術(shù)的快速發(fā)展,對時間序列分析和預(yù)測方法的研究也得到了迅速的發(fā)展,但其在很多方面的效果不能滿足實際應(yīng)用的高要求,有很多問題凾待解決。本文以時間序列分析和預(yù)測為研究背景,利用機器學(xué)習(xí)技術(shù)對時間序列預(yù)測應(yīng)用進行了研究。本文主要進行了以下三個方面的研究:（1）基于改進的隨機森林算法股票收益率預(yù)測研究,傳統(tǒng)隨機森林算法在處理大量輸入特征時,無法對特征進行有效區(qū)分,不同特征對模型可能存在相反或者重復(fù)效果,無效特征會導(dǎo)致預(yù)測模型復(fù)雜度增加、預(yù)測時間增加、預(yù)測準確率下降等問題。本文在隨機森林算法（Random Forest,RF）預(yù)測基礎(chǔ)上進行改進,將粒子群算法（Particle Swarm Optimization,PSO）和網(wǎng)格搜索算法（Grid Search,GRID）相結(jié)合,提出一種改進的隨機森林算法——粒子群參數(shù)網(wǎng)格搜索的隨機森林算法（Particle Swarm Optimization Grid Search Random Forest,PSO-GRID-RF）。先利用PSO篩選最優(yōu)特征輸入RF中,再利用GRID同步搜索最優(yōu)參數(shù)... 

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
    1.2 金融時間序列的特點
    1.3 國內(nèi)外研究現(xiàn)狀
    1.4 論文章節(jié)安排和章節(jié)組織結(jié)構(gòu)圖
第2章 金融時間序列預(yù)測及機器學(xué)習(xí)概述
    2.1 引言
    2.2 金融時間序列進行預(yù)測的基本模型
    2.3 金融時間序列數(shù)據(jù)的選取
    2.4 金融時間序列數(shù)據(jù)預(yù)處理
        2.4.1 數(shù)據(jù)規(guī)范化處理
        2.4.2 缺失數(shù)據(jù)的處理
        2.4.3 數(shù)據(jù)平穩(wěn)性處理
    2.5 經(jīng)典的時間序列模型
        2.5.1 簡單自回歸模型
        2.5.2 簡單滑動平均模型
        2.5.3 自回歸滑動平均模型
        2.5.4 條件異方差模型
    2.6 機器學(xué)習(xí)模型
        2.6.1 隨機森林模型結(jié)構(gòu)及原理
        2.6.2 隨機森林實現(xiàn)過程
        2.6.3 支持向量機模型
        2.6.4 支持向量機核函數(shù)
        2.6.5 最小二乘支持向量機回歸模型
    2.7 模型評價標(biāo)準
        2.7.1 分類預(yù)測評價指標(biāo)
        2.7.2 回歸預(yù)測評價指標(biāo)
    2.8 本章小結(jié)
第3章 基于改進的隨機森林算法股票收益率預(yù)測研究
    3.1 引言
    3.2 理論基礎(chǔ)
        3.2.1 PSO的特征選擇算法
        3.2.2 網(wǎng)格搜索算法
    3.3 數(shù)據(jù)預(yù)處理
    3.4 股票交易信號數(shù)據(jù)
    3.5 算法流程設(shè)計
    3.6 仿真結(jié)果與分析
    3.7 本章小結(jié)
第4章 利用相空間重構(gòu)優(yōu)化方法對股票價格預(yù)測
    4.1 引言
    4.2 PSR_PSO_LSSVR預(yù)測模型
        4.2.1 相空間重構(gòu)PSR
        4.2.2 滑動窗口的確定
        4.2.3 PSO進行參數(shù)尋優(yōu)
    4.3 算法流程框架設(shè)計
    4.4 仿真結(jié)果與分析
    4.5 本章小結(jié)
第5章 基于支持向量機的回歸預(yù)測模型
    5.1 引言
    5.2 PCA-GRID-SVR系統(tǒng)框架設(shè)計
    5.3 主成分分析原理
    5.4 流程框架設(shè)計
    5.5 仿真實驗
        5.5.1 數(shù)據(jù)來源與預(yù)處理
        5.5.2 預(yù)測因子的PCA處理
        5.5.3 利用網(wǎng)格搜索算法優(yōu)化SVR參數(shù)
        5.5.4 模型預(yù)測性能對比分析
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 研究展望
致謝
參考文獻
附錄 作者在讀期間發(fā)表的學(xué)術(shù)論文及參加的科研項目


【參考文獻】：
期刊論文
[1]基于最小二乘支持向量機逆系統(tǒng)方法應(yīng)用研究[J]. 杜青青.  工業(yè)儀表與自動化裝置. 2019(05)
[2]基于相空間重構(gòu)小波神經(jīng)網(wǎng)絡(luò)的短期覆冰預(yù)測[J]. 楊靜,李英娜,趙振剛,李川.  傳感器與微系統(tǒng). 2019(09)
[3]基于AP-SVM組合模型的股票價格預(yù)測[J]. 胡迪,黃巍.  武漢工程大學(xué)學(xué)報. 2019(03)
[4]基于神經(jīng)網(wǎng)絡(luò)模型的股票預(yù)測與研究[J]. 孫伯原.  電子測試. 2019(12)
[5]基于改進隨機森林算法的股票趨勢預(yù)測[J]. 方昕,李旭東,曹海燕,潘鵬.  杭州電子科技大學(xué)學(xué)報(自然科學(xué)版). 2019(02)
[6]基于支持向量機優(yōu)化的人體動作識別方法[J]. 王晉.  電子設(shè)計工程. 2018(17)
[7]基于隨機森林的A股股票漲跌預(yù)測研究[J]. 林娜娜,秦江濤.  上海理工大學(xué)學(xué)報. 2018(03)
[8]An Improved Sensor Fault Diagnosis Scheme Based on TA-LSSVM and ECOC-SVM[J]. GU Xiaodan,DENG Fang,GAO Xin,ZHOU Rui.  Journal of Systems Science ＆ Complexity. 2018(02)
[9]基于Boruta-PSO-SVM的股票收益率研究[J]. 郭海山,高波涌,陸慧娟.  傳感器與微系統(tǒng). 2018(03)
[10]時間序列分析在金融中的應(yīng)用[J]. 潘媛.  經(jīng)貿(mào)實踐. 2017(18)

博士論文
[1]時間序列模式匹配技術(shù)研究[D]. 張勇.華中科技大學(xué) 2012

碩士論文
[1]矩陣型截面數(shù)據(jù)時間序列廣義AR（p）模型理論研究及應(yīng)用[D]. 華楠.華東師范大學(xué) 2019
[2]基于FASVR-FWKNN-MACD組合模型的股指交易策略研究[D]. 楊相偉.浙江工商大學(xué) 2018
[3]基于PCA-GA-BPNN模型對股價預(yù)測的研究[D]. 李海燕.西安理工大學(xué) 2018
[4]基于GA-PSO優(yōu)化支持向量機的遙感圖像分類研究[D]. 于夢馨.湖南農(nóng)業(yè)大學(xué) 2018
[5]一種基于機器學(xué)習(xí)的股票預(yù)測和量化投資系統(tǒng)[D]. 方樸一.浙江大學(xué) 2018
[6]基于TDDPL-FWSVM-FWKNN混合模型的股票價格預(yù)測[D]. 孫盼衛(wèi).浙江工商大學(xué) 2018
[7]MA（1）模型中移動平均系數(shù)的有限樣本統(tǒng)計推斷[D]. 許平.云南財經(jīng)大學(xué) 2016
[8]基于時間序列的股票價格分析研究與應(yīng)用[D]. 姜樂.大連理工大學(xué) 2015
[9]基于數(shù)據(jù)挖掘的量化投資策略實證研究[D]. 李慧蘭.浙江大學(xué) 2014
[10]基于時間序列分析掘進工作面突出預(yù)測指標(biāo)預(yù)測研究[D]. 張洪禎.遼寧工程技術(shù)大學(xué) 2012



本文編號：3712854