股市預測是一個比較具有挑戰(zhàn)性的任務。由于受市場經濟,企業(yè)運營,政治決策等多方面的因素影響,股市預測具有復雜,動態(tài),不穩(wěn)定性等特點。本文探討了智能控制理論及模式識別中的重要方法,提出了基于聚類線性回歸的預測模型,并將其應用到股市收盤價的預測上,數值結果表明新提出的預測算法可行有效。聚類線性回歸結合了聚類和回歸這兩個典型的數據挖掘問題。一般聚類問題是以相似性作為依據對數據進行聚類,而聚類線性回歸是以回歸誤差最小作為標準對數據進行聚類。本文對聚類線性回歸的三個典型求解算法Sp?th算法,EM算法和基于非凸非光滑優(yōu)化的算法進行討論。為解決待預測點的歸屬問題,本文提出了一個使用多分類模型輔助待預測輸入數據分類的聚類線性回歸預測算法。算法的基本思想是首先根據聚類線性回歸的結果訓練出一個多分類模型,然后根據該多分類模型確定待預測輸入應歸屬的聚類,最后運用該聚類所對應的線性回歸系數進行預測。我們將新提出的預測算法的兩個具體實現命名為Softmax-CLR和Softmax-CLR-weight。為了證明新提出的預測算法的有效性,本文將新提出的算法與現有的基于聚類線性回歸的預測方法進行比較。數值比較結果表... 

【文章來源】：西南科技大學四川省

【文章頁數】：64 頁

【學位級別】：碩士

【部分圖文】：

最優(yōu)值在各內

?Whitewinequality這兩個數據集的MAE和MARE都在Softmax-CLR算法取得，另兩個指標CE和R2adj在Softmax-CLR-weight算法中取得.Concretecomp.str，Parkinsontele.(1st)和Parkinsontele.(2st)三個數據集的MARE最優(yōu)值在Softmax-CLR算法中取得，MAE，CE，R2adj的最優(yōu)值在Softmax-CLR-weight算法中取得。這說明，對于基于聚類線性回歸的預測方法來說，最好還是能直接將待預測輸入歸屬于某一個聚類，用單獨一個聚類來預測，而不是用多個聚類取權重的方式來預測。表4-3中各個指標的最優(yōu)值在6個對比算法中的占比統(tǒng)計在圖4-2中。從圖4-2可以看出70%的數據集中的最小平均絕對誤差在Softmax-CLR算法中取得，生剩下的30%在Softmax-CLR-weight算法取得。這表明，對比預測算法中，用新提出的預測算法可以提高預測準確度。90%最小平均相對誤差在Softmax-CLR算法取得，還有10%在近鄰法處產生。相對誤差能反應誤差偏移量，這證明Softmax-CLR算法能夠將算法誤差控制在最小范圍內。圖4-2子圖(c)能看出新算法的擬合效果好，比最大簇法，近鄰法，權重法和距離法更好地擬合數據集。綜上所述，新提出的預測算法比現有的基于聚類線性回歸的預測算法準確度更高，這也是預測算法所追求的目標之一。(a)MAE(b)MARE(c)CE/R2adj圖4-2最優(yōu)值在各內部算法中的占比4.4.2基于回歸的預測算法比較本小節(jié)將新提出的兩種基于聚類線性回歸的預測方法:Softmax-CLR算法和Softmax-CLR-weight算法與其他預測方法進行數值對比。用于對比的預測方法有線性回歸預測，人工神經網絡[21]，嶺回歸[22]和逐步回歸[24]。線性回歸預測和聚類線性回歸預測不同在于線性回歸預測只使用單個線性函數，而聚類線性回歸預測使用多個線性函數。從經驗上來看，使用多個線性函數預測的方法?

最優(yōu)值在各

【參考文獻】：
期刊論文
[1]多元線性回歸預測模型在農村生活垃圾產量預測中的應用[J]. 李海紅,鞏雪松,同幟.  西南農業(yè)學報. 2010(04)



本文編號：3061089