本文選題：支持向量機(jī) + 技術(shù)分析�。� 參考：《北京工業(yè)大學(xué)》2005年碩士論文

【摘要】：股票市場(chǎng)是一個(gè)復(fù)雜的非線性動(dòng)態(tài)系統(tǒng),利用傳統(tǒng)的時(shí)間序列預(yù)測(cè)技術(shù)很難揭示其內(nèi)在的規(guī)律。本文,在分析傳統(tǒng)預(yù)測(cè)分析方法的基礎(chǔ)上,并考察了大量基于人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分析的方法基礎(chǔ)上,采用支持向量機(jī)對(duì)上海股市進(jìn)行預(yù)測(cè)。 本文,首先對(duì)影響股市的因素進(jìn)行分析,進(jìn)而提出預(yù)測(cè)股市的參數(shù)選擇策略,并對(duì)股市預(yù)測(cè)的過程進(jìn)行了全面的介紹。本文,提出了一種可應(yīng)用非線性支持向量機(jī)的參數(shù)選擇方法,試驗(yàn)結(jié)果表明該方法是一種有效的方法。本文討論了核函數(shù)及其參數(shù)對(duì)預(yù)測(cè)結(jié)果的影響。 本文,采用標(biāo)準(zhǔn)支持向量機(jī),對(duì)上證180 指數(shù)和上證綜合指數(shù),以及一些個(gè)股的走勢(shì)和價(jià)格進(jìn)行了預(yù)測(cè),效果基本令人滿意。然后,本文采用股市的實(shí)際數(shù)據(jù),對(duì)支持向量機(jī)方法和BP 人工神將網(wǎng)絡(luò)進(jìn)行了對(duì)比。結(jié)果表明,支持向量機(jī)雖然在學(xué)習(xí)效果略遜于BP 網(wǎng)絡(luò),但在預(yù)測(cè)效果上優(yōu)于BP 網(wǎng)絡(luò)。
[Abstract]:Stock market is a complex nonlinear dynamic system. It is difficult to reveal its inherent law by using the traditional time series prediction technology. In this paper, based on the analysis of the traditional prediction and analysis methods, and a large number of artificial neural network forecasting methods, support vector machine (SVM) is used to forecast the Shanghai stock market. In this paper, the factors affecting the stock market are analyzed, and then the parameter selection strategy for forecasting the stock market is put forward, and the process of the stock market prediction is introduced comprehensively. In this paper, a parameter selection method based on nonlinear support vector machine is proposed. The experimental results show that this method is an effective method. In this paper, the influence of kernel function and its parameters on the prediction results is discussed. In this paper, the standard support vector machine is used to predict the trend and price of Shanghai Stock Exchange 180 Index and Shanghai Composite Index, as well as some individual stocks. The results are basically satisfactory. Then, using the actual data of stock market, the support vector machine method and BP artificial neural network are compared. The results show that support vector machine (SVM) is better than BP neural network in prediction, although its learning effect is inferior to BP neural network.
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2005
【分類號(hào)】：F224.3

【引證文獻(xiàn)】

相關(guān)期刊論文 前3條

1 戚雙斌;王維慶;張新燕;;基于支持向量機(jī)的風(fēng)速與風(fēng)功率預(yù)測(cè)方法研究[J];華東電力;2009年09期

2 林豫柏;羅鍵;;基于支持向量回歸的鋼材力學(xué)性能模型及應(yīng)用[J];江南大學(xué)學(xué)報(bào);2006年04期

3 戚雙斌;王維慶;張新燕;;基于SVM的風(fēng)速風(fēng)功率預(yù)測(cè)模型[J];可再生能源;2010年04期

相關(guān)碩士學(xué)位論文 前9條

1 翟志榮;時(shí)間序列分析方法在我國股市預(yù)測(cè)中的運(yùn)用[D];中北大學(xué);2011年

2 曹燦;支持向量機(jī)預(yù)測(cè)在我國城鎮(zhèn)失業(yè)率研究中的實(shí)證分析[D];西南交通大學(xué);2011年

3 林豫柏;鋼鐵企業(yè)智能化研究與實(shí)現(xiàn)[D];廈門大學(xué);2006年

4 劉翠紅;上海港水域船舶溢油事故分析及發(fā)展趨勢(shì)預(yù)測(cè)[D];上海海事大學(xué);2007年

5 林強(qiáng);視頻對(duì)象分割算法研究[D];廈門大學(xué);2008年

6 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

7 鄭曉;含風(fēng)電場(chǎng)的電力系統(tǒng)節(jié)能發(fā)電調(diào)度動(dòng)態(tài)建模與智能算法研究[D];浙江大學(xué);2010年

8 戚雙斌;基于支持向量機(jī)的風(fēng)速與風(fēng)功率預(yù)測(cè)研究[D];新疆大學(xué);2010年

9 劉s，

本文編號(hào)：1898241