本文關(guān)鍵詞： 股價預(yù)測 SVM模型 AdaBoost算法 SVM_AdaBoost強(qiáng)分類器　出處：《華南理工大學(xué)》2013年碩士論文　論文類型：學(xué)位論文

【摘要】：股票市場不僅是國家經(jīng)濟(jì)的晴雨表，在中國更是企業(yè)融資和廣大股民投資的重要手段。股票漲跌能夠得到大致預(yù)測，就能為投資者提供有效的股票投資指導(dǎo)，從而有效克服盲目投資的弊端和有效規(guī)避了股票的投資風(fēng)險。本文將股票的未來走勢分別劃分為兩種（漲、跌），把股市的波動預(yù)測轉(zhuǎn)化為兩類分類問題，通過股票上周數(shù)據(jù)指標(biāo)來對下周股價漲跌進(jìn)行預(yù)測，分別利用核函數(shù)為高斯核的最小二乘支持向量機(jī)（LSSVM）模型以及LSSVM和AdaBoost算法混合模型（SVM_AdaBoost）進(jìn)行分類識別。 本文首先介紹了股市的相關(guān)背景知識，國內(nèi)外對于股票預(yù)測的研究綜述，對幾種現(xiàn)有的股票預(yù)測方法進(jìn)行了介紹。接著全面介紹了統(tǒng)計(jì)學(xué)習(xí)理論和建立在其基礎(chǔ)上的SVM方法，闡述了LSSVM的原理及其優(yōu)點(diǎn)。并選取萬科A股作為實(shí)證對象，驗(yàn)證LSSVM在整體預(yù)測，以及上漲市、下跌市、震蕩市的預(yù)測情況，實(shí)證表明股價在單邊上漲或者下跌的時候，LSSVM具有較好的分類性能。為提高震蕩市以及整體市場的預(yù)測性能，引入AdaBoost算法。介紹了AdaBoost算法的理論和算法流程，指明該算法可以和SVM模型組合的優(yōu)勢：SVM_AdaBoost模型可以減少SVM選擇核參數(shù)的復(fù)雜度，而核參數(shù)的多樣性也使得SVM提供多樣性的弱分類器成為可能。將支持向量機(jī)（SVM）模型作為AdaBoost算法的弱分類器，得到SVM_AdaBoost強(qiáng)分類器，作為識別股票周漲跌的模型。針對多樣性的基分類器的構(gòu)造，，本文基于模糊均值聚類算法，給出了一種基分類器的評價方法，通過這種評價方法自適應(yīng)調(diào)整SVM中的核參數(shù)，從而得到一組適當(dāng)精度并具有多樣性的SVM弱分類器。實(shí)證結(jié)果表明，SVM_AdaBoost模型提升SVM的預(yù)測精度并優(yōu)化了算法學(xué)習(xí)效率，還能提高不平衡數(shù)據(jù)中少數(shù)類的預(yù)測精度。 相信隨著今后進(jìn)一步研究，應(yīng)用SVM_AdaBoost模型進(jìn)行股市預(yù)測將得到更好的效果。
[Abstract]:The stock market is not only a barometer of the national economy, but also an important means of enterprise financing and investment by the majority of investors in China. If stocks can be roughly predicted, they can provide effective investment guidance for investors. In order to overcome the disadvantage of blind investment and avoid the investment risk of stock effectively, this paper divides the future trend of stock into two kinds: rising, falling, converting the fluctuation forecast of stock market into two kinds of classification problems. The index of stock last week is used to predict the stock price's rise and fall next week. The LSSVM model with Gao Si kernel and the mixed model of LSSVM and AdaBoost algorithm are used to classify and identify the stock price. This paper first introduces the relevant background knowledge of stock market, summarizes the research on stock forecast at home and abroad, introduces several existing stock forecasting methods, and then introduces the statistical learning theory and SVM method based on it. This paper expounds the principle and advantages of LSSVM, and selects Vanke A shares as the empirical object to verify the overall forecast of LSSVM, as well as the forecast of rising market, falling market and concussion market. The empirical results show that the stock price has better classification performance when the stock price rises or falls unilaterally. In order to improve the prediction performance of shock market and the whole market, AdaBoost algorithm is introduced. The theory and algorithm flow of AdaBoost algorithm are introduced. It is pointed out that this algorithm can be combined with the SVM model to reduce the complexity of SVM's selection of kernel parameters by using the: SVM AdaBoost model. The diversity of kernel parameters makes it possible for SVM to provide multiple weak classifiers. The support vector machine (SVM) model is used as the weak classifier of AdaBoost algorithm to obtain SVM_AdaBoost strong classifier. As a model to identify the rise and fall of stock cycle, this paper presents an evaluation method of base classifier based on fuzzy mean clustering algorithm, which adaptively adjusts the kernel parameters in SVM. A set of SVM weak classifiers with proper accuracy and diversity are obtained. The empirical results show that the SVMAdaBoost model can improve the prediction accuracy of SVM and optimize the learning efficiency of the algorithm, as well as the prediction accuracy of a few classes in unbalanced data. It is believed that the application of SVM_AdaBoost model in stock market forecasting will be more effective with further research in the future.
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：F832.51;F224;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張玉川;張作泉;;支持向量機(jī)在股票價格預(yù)測中的應(yīng)用[J];北京交通大學(xué)學(xué)報;2007年06期

2 羅婷婷;范太華;;支持向量機(jī)核函數(shù)及優(yōu)化研究[J];兵工自動化;2007年10期

3 葉萍;;基于隸屬度改進(jìn)的模糊K-均值算法[J];長春工程學(xué)院學(xué)報(自然科學(xué)版);2007年01期

4 張振宇;;穩(wěn)健的多支持向量機(jī)自適應(yīng)提升算法[J];大連交通大學(xué)學(xué)報;2010年02期

5 周俊梅;;利用ARFIMA模型研究金融時間序列[J];海南師范大學(xué)學(xué)報(自然科學(xué)版);2008年04期

6 解洪勝;張虹;;基于內(nèi)容的圖像檢索中SVM和Boosting方法集成應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2009年04期

7 彭代強(qiáng);林幼權(quán);;基于AdaBoost算法的加權(quán)二乘向量回歸機(jī)[J];計(jì)算機(jī)應(yīng)用;2010年03期

8 王曉丹;孫東延;鄭春穎;張宏達(dá);趙學(xué)軍;;一種基于AdaBoost的SVM分類器[J];空軍工程大學(xué)學(xué)報(自然科學(xué)版);2006年06期

9 閻綱;;支持向量機(jī)在股市預(yù)測中的應(yīng)用[J];科學(xué)技術(shù)與工程;2008年02期

10 田盛豐,黃厚寬,李洪波;基于支持向量機(jī)的手寫體相似字識別[J];中文信息學(xué)報;2000年03期

相關(guān)博士學(xué)位論文 前4條

1 陳永忠;我國股市非線性時間序列分析[D];華中科技大學(xué);2004年

2 王鼐;非線性動力學(xué)方法在時間序列分析中的應(yīng)用[D];復(fù)旦大學(xué);2005年

3 唐發(fā)明;基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)算法研究[D];華中科技大學(xué);2005年

4 鄭挺國;基于有限混合狀態(tài)空間的金融隨機(jī)波動模型及應(yīng)用研究[D];吉林大學(xué);2009年

相關(guān)碩士學(xué)位論文 前7條

1 吳漫君;基于隱馬爾科夫模型的股價走勢預(yù)測[D];華南理工大學(xué);2011年

2 張彥周;基于支持向量機(jī)的測井曲線預(yù)測儲層參數(shù)方法[D];西安科技大學(xué);2006年

3 莊彬;基于SVM的時態(tài)數(shù)據(jù)挖掘及在證券分析中的應(yīng)用研究[D];浙江工業(yè)大學(xué);2007年

4 高偉良;股票價格時間序列ARCH模型建立與選擇研究[D];合肥工業(yè)大學(xué);2009年

5 呂曉華;中國股市的非線性特性分析[D];浙江工商大學(xué);2008年

6 金得寶;基于支持向量機(jī)的股市預(yù)測研究[D];浙江大學(xué);2010年

7 袁博;混沌理論在股票市場走勢預(yù)測中的應(yīng)用研究[D];東北林業(yè)大學(xué);2012年

本文編號：1513475