【摘要】： 支持向量機(jī)理論(Support Vector Machines簡稱SVM)是一種專門的小樣本理論,它避免了人工神經(jīng)網(wǎng)絡(luò)等方法的網(wǎng)絡(luò)結(jié)構(gòu)難于確定、過學(xué)習(xí)和欠學(xué)習(xí)以及局部極小等問題,被認(rèn)為是目前針對(duì)小樣本的分類、回歸等問題的最佳理論,為解決非線性問題提供了一個(gè)新思路。 隨著現(xiàn)代科學(xué)技術(shù)爆炸式的發(fā)展以及應(yīng)用和生產(chǎn)社會(huì)化和國際化程度的大幅度提高,世界經(jīng)濟(jì)一體化成為當(dāng)代社會(huì)發(fā)展的一個(gè)基本特征。匯率作為國際金融關(guān)系乃至經(jīng)濟(jì)關(guān)系正常發(fā)展的重要紐帶,發(fā)揮著日益重要的作用。因此,正確分析與預(yù)測(cè)匯價(jià)及其波動(dòng)對(duì)于金融政策與投資決策的制定有著至關(guān)重要的意義。 支持向量回歸機(jī)(SVR)是處理回歸問題的優(yōu)秀方法之一,是一種重要的研究匯率預(yù)測(cè)的非參數(shù)化方法。而對(duì)于實(shí)際應(yīng)用中經(jīng)常會(huì)出現(xiàn)的多輸入多輸出函數(shù)回歸問題,目前多采用多輸出的支持向量回歸機(jī)(MSVR)來處理。由于函數(shù)的多輸出之間具有很強(qiáng)的關(guān)聯(lián)性,MSVR在模型構(gòu)造上較為復(fù)雜,從而也使得預(yù)測(cè)精度的提高、誤差的估計(jì)和處理變得較為困難。 本文首先根據(jù)信息幾何的基本原理,針對(duì)多輸出支持向量回歸機(jī)構(gòu)造上的復(fù)雜性,通過數(shù)據(jù)依賴對(duì)核函數(shù)進(jìn)行構(gòu)建,提出了一種使用數(shù)據(jù)依賴核函數(shù)的MSVR,能夠有效的降低MSVR的預(yù)測(cè)誤差,并且給出了數(shù)據(jù)依賴核函數(shù)的相應(yīng)Mercer核驗(yàn)證。最后將結(jié)果用于匯率預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,該方法能有效地提高M(jìn)SVR的預(yù)測(cè)精度。 其次,多輸出的支持向量回歸機(jī)主要考慮到各個(gè)輸出之間的相關(guān)性,最終實(shí)現(xiàn)只通過一個(gè)最優(yōu)化問題就可解決多輸出系統(tǒng)的回歸估計(jì),但由于各個(gè)輸出的相關(guān)性和模型參數(shù)選擇等種種原因,其參數(shù)的選擇和誤差處理較為困難。本文根據(jù)MSVR模型構(gòu)造上的基本原理,提出了一種用于MSVR的LOO誤差界,能夠有效的估計(jì)MSVR的預(yù)測(cè)誤差。最后將結(jié)果用于匯率預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,該方法能有效地用于MSVR的誤差估計(jì)和處理,并度量MSVR的性能。
【學(xué)位授予單位】：天津科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2009
【分類號(hào)】：F830.9;TP181

【相似文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 翟東旭;基于支持向量機(jī)的金融市場(chǎng)非線性特征分析[D];天津科技大學(xué);2009年

，

本文編號(hào)：2597238