本文關(guān)鍵詞： 債券 支持向量機(jī) 核函數(shù) 獨(dú)立分量分析　出處：《杭州電子科技大學(xué)》2013年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著經(jīng)濟(jì)的發(fā)展和人們投資觀念的轉(zhuǎn)變，債券市場成為最受歡迎的投資方式之一。然而，債券本身是一種有價證券，其價格受市場利率、經(jīng)濟(jì)發(fā)展情況、市場供求關(guān)系、物價水平等因素的影響。債券價格的波動直接關(guān)系到投資者的收益情況，對一個國家來說，債券價格的波動甚至有可能導(dǎo)致債券危機(jī)，給國家和人民帶來嚴(yán)重的經(jīng)濟(jì)損失。因此，對債券的預(yù)測研究具有深刻的理論意義和重要的應(yīng)用價值。但是債券數(shù)據(jù)自身內(nèi)部結(jié)構(gòu)的復(fù)雜性及外部影響因素的多變性決定了債券市場預(yù)測的艱巨性，現(xiàn)有分析預(yù)測方法的效果并不是很理想。因此，如何從現(xiàn)有的數(shù)據(jù)中挖掘出有價值的信息并將其應(yīng)用于投資決策中成為了債券預(yù)測的熱點(diǎn)問題之一。 支持向量機(jī)(SVM)是一種新興數(shù)據(jù)挖掘技術(shù)，在高維模式識別、回歸估計等方面表現(xiàn)出特有的優(yōu)勢。在支持向量機(jī)學(xué)習(xí)方法中，核函數(shù)是SVM的重要組成部分，它通過低維空間數(shù)據(jù)到高維特征空間的映射來克服低維空間線性不可分的問題。核函數(shù)的構(gòu)造及其相應(yīng)參數(shù)的選取在很大程度上影響著SVM的性能，選擇好核函數(shù)和參數(shù)可以提高預(yù)測精度。在每個應(yīng)用領(lǐng)域不同的核和參數(shù)性能差別會很大，但目前核函數(shù)和參數(shù)的選擇并沒有一個通用的模式和標(biāo)準(zhǔn)，因此選擇與給定問題相適合的核函數(shù)是一個難題。其次，在SVM輸入空間中，通常存在含噪聲較多的冗余特征，這不但會增加模型的計算復(fù)雜度，而且影響了預(yù)測精度。 基于以上分析，本文主要研究內(nèi)容如下： (1)針對債券數(shù)據(jù)近期樣本遠(yuǎn)比早期重要的特點(diǎn)，以及兼顧訓(xùn)練樣本數(shù)據(jù)時所需的局部性和全局性，本文構(gòu)造出一個新的混合核函數(shù)。首先通過大量的實(shí)驗(yàn)確定適合債券數(shù)據(jù)的參數(shù)，然后通過分別賦予高斯徑向基核和多項(xiàng)式核隨時間動態(tài)調(diào)整的權(quán)重值，將兩者組合起來構(gòu)造出了一個新的組合核函數(shù)。實(shí)驗(yàn)結(jié)果表明，本文設(shè)計的組合核函數(shù)比現(xiàn)有核函數(shù)在債券數(shù)據(jù)預(yù)測中具有更高的預(yù)測準(zhǔn)確度。 (2)針對債券數(shù)據(jù)固有的低信噪比的特點(diǎn)，本文提出了一個基于獨(dú)立分量分析特征提取的支持向量回歸模型。該模型主要采用獨(dú)立分量分析法(ICA)來完成特征提取過程，，首先通過固定點(diǎn)算法(FastICA)對源信號進(jìn)行分離，然后使用相對Hamming距離分別計算每個特征的噪聲，最后采用測試和驗(yàn)收(Testing-and-Acceptance，TnA)方法根據(jù)噪聲值完成特征篩選過程，以達(dá)到降低SVM輸入空間的維度和提高預(yù)測精度的目的。通過實(shí)驗(yàn)驗(yàn)證，此模型有效地提高了支持向量回歸機(jī)的性能，從而提升債券預(yù)測的精確度。至此，我們尋求到了一個更適合于債券預(yù)測分析的模型。
[Abstract]:As the development of the economy and the transformation of people ' s investment idea , the bond market becomes one of the most popular investment methods . However , the bond itself is a kind of securities , its price is influenced by the market interest rate , the economic development situation , the market supply and demand relationship , the price level and so on . Support vector machine ( SVM ) is an emerging data mining technology . In support vector machine learning method , kernel function is an important part of SVM . The kernel function is an important component of SVM . Based on the above analysis , the main research contents are as follows : ( 1 ) A new hybrid kernel function is constructed based on the recent important characteristics of bond data and the locality and global nature required for training sample data . First , a new hybrid kernel function is constructed by using a large number of experiments to determine the parameters suitable for the bond data . The experimental results show that the combined kernel functions designed in this paper have higher prediction accuracy than the existing kernel functions in the bond data prediction . ( 2 ) Aiming at the characteristics of low signal - to - noise ratio inherent in bond data , this paper proposes a support vector regression model based on independent component analysis feature extraction .

【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：F830.91;TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳江;李太勇;;基于加權(quán)支持向量機(jī)的金融時間序列預(yù)測[J];商業(yè)研究;2010年01期

2 吳微,陳維強(qiáng),劉波;用BP神經(jīng)網(wǎng)絡(luò)預(yù)測股票市場漲跌[J];大連理工大學(xué)學(xué)報;2001年01期

3 曹星平,易東云,吳翊;基于神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測方法進(jìn)展[J];電腦與信息技術(shù);1999年06期

4 許文杰;邢朝輝;李菲菲;;基于參數(shù)選擇優(yōu)化SVM算法的研究[J];山東交通學(xué)院學(xué)報;2010年02期

5 夏國恩;邵培基;;改進(jìn)SVR在金融時間序列預(yù)測中的應(yīng)用[J];金融理論與實(shí)踐;2008年11期

6 王鵬,朱小燕;基于RBF核的SVM的模型選擇及其應(yīng)用[J];計算機(jī)工程與應(yīng)用;2003年24期

7 張擁華;曾凡仔;;基于混合核支持向量機(jī)的金融時間序列分析[J];計算機(jī)工程與應(yīng)用;2008年19期

8 張冰;孔銳;;一種支持向量機(jī)的組合核函數(shù)[J];計算機(jī)應(yīng)用;2007年01期

9 許建華,張學(xué)工,李衍達(dá);支持向量機(jī)的新發(fā)展[J];控制與決策;2004年05期

10 張學(xué)工;關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機(jī)[J];自動化學(xué)報;2000年01期

相關(guān)會議論文 前1條

1 程硯秋;楊德權(quán);;基于決策樹和支持向量機(jī)的金融預(yù)測方法[A];中國企業(yè)運(yùn)籌學(xué)學(xué)術(shù)交流大會論文集[C];2007年

相關(guān)博士學(xué)位論文 前2條

1 張弘林;西方股票投資思想的演變與當(dāng)代中國股市研究[D];復(fù)旦大學(xué);2006年

2 劉靖旭;支持向量回歸的模型選擇及應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2006年

相關(guān)碩士學(xué)位論文 前2條

1 劉運(yùn)榮;基于支持向量機(jī)的時間序列預(yù)測研究[D];哈爾濱工程大學(xué);2008年

2 司學(xué)峰;基于數(shù)據(jù)挖掘的客戶流失預(yù)測實(shí)證研究[D];北京工業(yè)大學(xué);2009年

本文編號：1452933