本文選題：Isomap-ABC-RVM模型　切入點(diǎn)：預(yù)測(cè)　出處：《統(tǒng)計(jì)與決策》2015年16期 　論文類型：期刊論文

【摘要】：使用機(jī)器學(xué)習(xí)算法建立模型對(duì)實(shí)際經(jīng)濟(jì)問(wèn)題進(jìn)行預(yù)測(cè)分析,是近年來(lái)一個(gè)研究熱點(diǎn)。傳統(tǒng)的預(yù)測(cè)模型使用支持向量機(jī)(SVM)并結(jié)合一些傳統(tǒng)降維算法和參數(shù)尋優(yōu)算法來(lái)構(gòu)建,先用降維算法對(duì)樣本進(jìn)行降維,避免樣本特征指標(biāo)相關(guān)性高,再通過(guò)支持向量機(jī)對(duì)樣本進(jìn)行機(jī)器學(xué)習(xí)來(lái)進(jìn)行回歸預(yù)測(cè),而向量機(jī)中核參數(shù)的尋優(yōu)則用參數(shù)尋優(yōu)算法來(lái)完成。文章引入更為前沿的算法,使用等距特征映射(Isomap)進(jìn)行降維,人工蜂群算法(ABC)進(jìn)行參數(shù)尋優(yōu),相關(guān)向量機(jī)(RVM)進(jìn)行回歸預(yù)測(cè),構(gòu)建Isomap-ABC-RVM模型并對(duì)滬深300指數(shù)進(jìn)行預(yù)測(cè)分析。實(shí)證分析表明Isomap-ABC-RVM具有良好的預(yù)測(cè)精度,為股指預(yù)測(cè)提供了新方法。
[Abstract]:It is a hot research topic in recent years to use machine learning algorithm to build models to forecast and analyze actual economic problems. The traditional prediction models are constructed by using support vector machine (SVM) and some traditional dimensionality reduction algorithms and parameter optimization algorithms. First, the dimension reduction algorithm is used to reduce the dimension of the sample to avoid the high correlation of the characteristic index of the sample, and then the regression prediction is carried out through the machine learning of the sample by support vector machine (SVM). The kernel parameter optimization in vector machine is accomplished by parameter optimization algorithm. This paper introduces a more advanced algorithm, using isometric feature mapping (Isomapa) to reduce dimension, artificial bee colony algorithm (ABC) for parameter optimization, and correlation vector machine (RVM) for regression prediction. The Isomap-ABC-RVM model is constructed and the Shanghai and Shenzhen 300 index is forecasted and analyzed. The empirical analysis shows that Isomap-ABC-RVM has good prediction accuracy and provides a new method for stock index prediction.
【作者單位】： 武漢大學(xué)經(jīng)濟(jì)與管理學(xué)院;
【分類號(hào)】：F724.5;F224

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 彭麗芳;孟志青;姜華;田密;;基于時(shí)間序列的支持向量機(jī)在股票預(yù)測(cè)中的應(yīng)用[J];計(jì)算技術(shù)與自動(dòng)化;2006年03期

2 徐國(guó)祥;楊振建;;PCA-GA-SVM模型的構(gòu)建及應(yīng)用研究——滬深300指數(shù)預(yù)測(cè)精度實(shí)證分析[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2011年02期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊緒兵,韓自存;ε不敏感的核Adaline算法及其在圖像去噪中的應(yīng)用[J];安徽工程科技學(xué)院學(xué)報(bào)(自然科學(xué)版);2003年04期

2 陶秀鳳,唐詩(shī)忠,周鳴爭(zhēng);基于支持向量機(jī)的軟測(cè)量模型及應(yīng)用[J];安徽工程科技學(xué)院學(xué)報(bào)(自然科學(xué)版);2004年02期

3 許高程;張文君;王衛(wèi)紅;;支持向量機(jī)技術(shù)在遙感影像滑坡體提取中的應(yīng)用[J];安徽農(nóng)業(yè)科學(xué);2009年06期

4 郭立萍;唐家奎;米素娟;張成雯;趙理君;;基于支持向量機(jī)遙感圖像融合分類方法研究進(jìn)展[J];安徽農(nóng)業(yè)科學(xué);2010年17期

5 馮學(xué)軍;;最小二乘支持向量機(jī)的研究與應(yīng)用[J];安慶師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2009年01期

6 鄒心遙;姚若河;;基于LSSVM的威布爾分布形狀參數(shù)估計(jì)(英文)[J];半導(dǎo)體技術(shù);2008年06期

7 鄒心遙;姚若河;;基于LSSVM的小子樣元器件壽命預(yù)測(cè)[J];半導(dǎo)體技術(shù);2011年09期

8 李卓遠(yuǎn),吳為民,王e，

本文編號(hào)：1570846