本文關(guān)鍵詞：基于支持向量機的中國股票價格研究

  更多相關(guān)文章： 股票市場 支持向量機 混沌系統(tǒng) 粒子群 混合核函數(shù)

【摘要】：股票市場本身是一個十分復雜的非線性混沌系統(tǒng)，由于它并不符合長期以來被認為在金融市場具有普遍適用性的有效市場理論（EMH），而且影響股價波動的因素眾多，如國家政策、宏觀經(jīng)濟運行情況、投資者心理等，因此對于股票市場的預測十分困難，這也一直是金融界的熱點及難點。而中國的股票市場又是一個極為特殊的股票市場，它從產(chǎn)生至今僅有短短幾十年的歷史，至今仍然無法與國外成熟的股票市場完全同步，，甚至出現(xiàn)的很多現(xiàn)象令金融經(jīng)濟學家們也無法解釋。股票對于中國的國民經(jīng)濟和百姓生活都有十分重要的影響，因此對其進行有效預測，具有很重要的現(xiàn)實意義。 研究發(fā)現(xiàn)，雖然股票市場在長期內(nèi)無法預測，但是對于短期趨勢的預測是可行的。由此產(chǎn)生了很多股市預測分析方法，相比傳統(tǒng)的預測方法，人工智能方法顯然更有優(yōu)勢和前景。支持向量機（SVM）方法作為其中一種人工智能方法，能夠解決非線性、小樣本等問題，在股價預測方面比其他方法具有更大的優(yōu)勢。 本文的研究目標是建立中國股票價格的SVM預測模型。本文以股市預測問題為研究對象，選擇對股票價格預測有重要影響的相關(guān)指標，用SVM方法對其進行回歸預測。針對股票市場的混沌特性，本文首先運用SVD降噪方法進行數(shù)據(jù)預處理，然后運用相空間重構(gòu)技術(shù)，通過C-C算法尋找最佳嵌入維和延遲時間，將原序列嵌入高維空間中，使系統(tǒng)的性質(zhì)更全面的展現(xiàn)出來，并增加其有序性；同時利用GP算法驗證系統(tǒng)的混沌性，以保證相空間重構(gòu)步驟的使用正確性。而針對SVM中的參數(shù)優(yōu)化和核函數(shù)選擇這兩個關(guān)鍵技術(shù)問題，本文運用PSO優(yōu)化算法進行參數(shù)優(yōu)化，然后選取預測性好的核函數(shù)按照一定權(quán)重進行組合，通過調(diào)整組合參數(shù)自行構(gòu)建最優(yōu)最適合中國股票市場這一混沌系統(tǒng)的核函數(shù)。 對于預測模型的有效性，本文選用上證指數(shù)420個交易日的六個指標進行實證研究，逐步實現(xiàn)模型并通過實驗檢測每一個步驟的結(jié)果，保證每一步的最優(yōu)性，通過實驗結(jié)果展現(xiàn)模型的預測準確度。實驗結(jié)果表明，上證指數(shù)時間序列確實具有混沌性，而相空間重構(gòu)、PSO優(yōu)化算法和混合核函數(shù)都使預測準確度獲得了提高。用這些技術(shù)建立起來的股價預測模型在總體上具有十分優(yōu)異的預測效果，是可行并且有效的。
【關(guān)鍵詞】：股票市場 支持向量機 混沌系統(tǒng) 粒子群 混合核函數(shù)
【學位授予單位】：山東師范大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：F832.51;TP181
【目錄】：

• 摘要7-8
• Abstract8-10
• 第一章 緒論10-16
• 1.1 研究背景及意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.2.1 股票價格預測的研究現(xiàn)狀11-12
• 1.2.2 SVM 在金融預測中的應用研究現(xiàn)狀12-13
• 1.3 本文的研究內(nèi)容13-15
• 1.4 本文主要結(jié)構(gòu)15
• 1.5 本章小結(jié)15-16
• 第二章 股票市場預測理論16-19
• 2.1 股票市場的基本指標16-17
• 2.1.1 股票價格16
• 2.1.2 股票價格指數(shù)16-17
• 2.2 股票市場的分析方法17-18
• 2.3 本章小結(jié)18-19
• 第三章 支持向量機原理19-25
• 3.1 支持向量機的基礎(chǔ)19-21
• 3.1.1 機器學習19
• 3.1.2 經(jīng)驗風險最小化19
• 3.1.3 統(tǒng)計學習理論19-21
• 3.2 支持向量機21-24
• 3.2.1 最優(yōu)分類面與支持向量21-22
• 3.2.2 支持向量分類機22-23
• 3.2.3 支持向量回歸機23-24
• 3.3 本章小結(jié)24-25
• 第四章 基于改進 SVM 的股價預測模型構(gòu)建25-36
• 4.1 模型建立總體思想25-27
• 4.1.1 針對股市時間序列的復雜性特征分析25
• 4.1.2 針對 SVM 中的關(guān)鍵問題分析25-26
• 4.1.3 模型建立過程26-27
• 4.2 股市序列的重構(gòu)27-31
• 4.2.1 混沌理論27-29
• 4.2.2 相空間重構(gòu)理論29-30
• 4.2.3 股價序列預測模型中的相空間重構(gòu)30-31
• 4.3 粒子群算法優(yōu)化 SVM 參數(shù)31-33
• 4.3.1 標準粒子群算法31-32
• 4.3.2 基于 PSO 的 SVM 參數(shù)優(yōu)化算法32-33
• 4.4 混合核函數(shù)的構(gòu)造33-35
• 4.5 本章小結(jié)35-36
• 第五章 預測模型的實證研究36-50
• 5.1 實驗工具36
• 5.2 實驗數(shù)據(jù)36-37
• 5.3 模型評價指標37-38
• 5.4 數(shù)據(jù)預處理38-40
• 5.4.1 歸一化處理38-39
• 5.4.2 奇異值降噪39-40
• 5.5 相空間重構(gòu)40-42
• 5.6 混沌性判斷42-44
• 5.7 參數(shù)優(yōu)化44-45
• 5.8 選擇核函數(shù)45-49
• 5.8.1 單獨核函數(shù) SVM45-47
• 5.8.2 混合核函數(shù)47-49
• 5.9 模型最終預測結(jié)果49
• 5.10 本章小結(jié)49-50
• 第六章 總結(jié)與展望50-52
• 6.1 本文主要工作及結(jié)論50
• 6.2 未來展望50-52
• 參考文獻52-55
• 攻讀碩士學位期間發(fā)表的論著55-56
• 致謝56

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前7條

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

2 莊新田;李冰;;對有效市場的挑戰(zhàn)——資本市場分形與混沌的研究綜述[J];東北大學學報(社會科學版);2008年02期

3 王國勝,鐘義信;支持向量機的若干新進展[J];電子學報;2001年10期

4 盛昭瀚,馬軍海,陳國華;管理科學:面對復雜性Ⅱ——經(jīng)濟時序動力系統(tǒng)分形及混沌特性分析研究[J];管理科學學報;1998年04期

5 陳成,王永縣;股市技術(shù)分析理論研究發(fā)展綜述[J];經(jīng)濟師;2005年05期

6 王國勝,鐘義信;支持向量機的理論基礎(chǔ)——統(tǒng)計學習理論[J];計算機工程與應用;2001年19期

7 方子良;時序法在股市行情技術(shù)分析中的應用[J];南京理工大學學報;1999年02期

本文編號：892086