本文關(guān)鍵詞：基于改進(jìn)支持向量回歸機(jī)的股價(jià)預(yù)測研究

  更多相關(guān)文章： 股票價(jià)格預(yù)測 遺傳算法優(yōu)化 線性局部切空間排列 支持向量回歸機(jī)

【摘要】：如今人們對股票交易的興趣日益見長,希望通過對股市各種信息的綜合分析來幫助指導(dǎo)股票交易,以獲得高額利潤。然而股票價(jià)格受到多方面因素的影響,具有非線性,時(shí)變性和高度不穩(wěn)定性等特點(diǎn),導(dǎo)致股票價(jià)格非常難以預(yù)測。傳統(tǒng)的時(shí)間序列預(yù)測法不能提取股票數(shù)據(jù)的非線性特征,神經(jīng)網(wǎng)絡(luò)算法又容易陷入局部極小,易造成過擬合,且股票數(shù)據(jù)含有大量噪聲和冗余信息,導(dǎo)致預(yù)測精度不高。針對以上問題,本文引入流形學(xué)習(xí)中的線性局部切空間排列算法,應(yīng)用改進(jìn)的支持向量回歸機(jī)來預(yù)測股票價(jià)格,主要研究工作是:(1)總結(jié)分析股票價(jià)格預(yù)測領(lǐng)域的國內(nèi)外研究現(xiàn)狀,指出現(xiàn)有方法存在的各種不足和缺陷。(2)歸納股票價(jià)格預(yù)測的相關(guān)知識(shí)和基本原理,并簡要介紹了股票價(jià)格預(yù)測模型用到的支持向量回歸機(jī)的算法理論。(3)在股票價(jià)格預(yù)測領(lǐng)域第一次引入流形學(xué)習(xí)中的線性局部切空間排列算法,將股票數(shù)據(jù)看成一個(gè)非線性流形,提取其中隱藏的模式,并同時(shí)降低數(shù)據(jù)噪聲,去除冗余信息,最終使得提取到的特征更加具有區(qū)分度和代表性,從而提高預(yù)測精度。(4)結(jié)合線性局部切空間排列算法,提出了一種新的支持向量回歸機(jī)的股價(jià)預(yù)測優(yōu)化模型。該模型首先利用線性局部切空間排列算法對股票原始數(shù)據(jù)進(jìn)行特征提取,然后采用具有全局最優(yōu)解的支持向量回歸機(jī)對提取到的特征和股票價(jià)格之間的非線性關(guān)系建模,并利用遺傳算法優(yōu)化支持向量回歸機(jī)的參數(shù),最終提高股票價(jià)格的預(yù)測精度。(5)通過大量的實(shí)驗(yàn)對本文提出模型的適應(yīng)性和推廣能力進(jìn)行了驗(yàn)證。實(shí)驗(yàn)選取了不同國家、不同種類和不同時(shí)間段的四只股票:上證指數(shù)、標(biāo)準(zhǔn)普爾500指數(shù)、IBM公司發(fā)行股票和Microsoft公司發(fā)行股票作為本文的實(shí)驗(yàn)支撐數(shù)據(jù),并與4種傳統(tǒng)特征提取算法和3種經(jīng)典股票價(jià)格預(yù)測模型進(jìn)行了對比。研究表明本文提出的融合線性局部切空間排列和遺傳算法優(yōu)化的支持向量回歸機(jī)股價(jià)預(yù)測模型不僅預(yù)測精度高,而且具有強(qiáng)大的泛化能力和良好的推廣性,對于指導(dǎo)股票交易具有很大的實(shí)用價(jià)值。
【關(guān)鍵詞】：股票價(jià)格預(yù)測 遺傳算法優(yōu)化 線性局部切空間排列 支持向量回歸機(jī)
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：F831.51;TP18
【目錄】：

• 中文摘要3-4
• 英文摘要4-8
• 1 緒論8-15
• 1.1 研究背景與意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-12
• 1.2.1 國內(nèi)研究現(xiàn)狀9-10
• 1.2.2 國外研究現(xiàn)狀10-11
• 1.2.3 文獻(xiàn)評述11-12
• 1.3 論文研究內(nèi)容12-13
• 1.4 論文組織結(jié)構(gòu)13-15
• 2 股票價(jià)格預(yù)測相關(guān)知識(shí)15-18
• 2.1 股票的概念及其影響因素15
• 2.2 股票價(jià)格預(yù)測的常用指標(biāo)15-16
• 2.3 股票價(jià)格預(yù)測的基本方法16-17
• 2.4 本章小結(jié)17-18
• 3 支持向量回歸機(jī)算法18-24
• 3.1 支持向量機(jī)理論18-20
• 3.1.1 支持向量機(jī)基本原理18-19
• 3.1.2 核函數(shù)19-20
• 3.2 支持向量回歸機(jī)理論20-22
• 3.3 支持向量回歸機(jī)參數(shù)選擇問題22-23
• 3.3.1 核參數(shù)σ22
• 3.3.2 懲罰因子C22
• 3.3.3 不敏感系數(shù)ε22-23
• 3.4 本章小結(jié)23-24
• 4 基于改進(jìn)的支持向量回歸機(jī)股價(jià)預(yù)測模型24-35
• 4.1 線性局部切空間排列算法24-27
• 4.1.1 流形學(xué)習(xí)24-25
• 4.1.2 LLTSA算法基本原理25-27
• 4.2 遺傳算法27-29
• 4.2.1 遺傳算法參數(shù)尋優(yōu)27-29
• 4.3 基于LLTSA的GA-SVR模型29-34
• 4.3.1 模型預(yù)測流程29-33
• 4.3.2 SVR參數(shù)范圍確定33-34
• 4.3.3 GA參數(shù)范圍確定34
• 4.4 本章小結(jié)34-35
• 5 股票價(jià)格預(yù)測的實(shí)驗(yàn)和結(jié)果分析35-61
• 5.1 數(shù)據(jù)樣本選取及預(yù)處理35-38
• 5.1.1 數(shù)據(jù)樣本選取35-38
• 5.1.2 數(shù)據(jù)預(yù)處理38
• 5.2 基于LLTSA的GA-SVR股價(jià)預(yù)測實(shí)驗(yàn)38-40
• 5.2.1 實(shí)驗(yàn)環(huán)境38
• 5.2.2 參數(shù)設(shè)置38-39
• 5.2.3 評價(jià)指標(biāo)39
• 5.2.4 遺傳算法尋優(yōu)39
• 5.2.5 實(shí)驗(yàn)結(jié)果39-40
• 5.3 不同特征提取選擇方法的對比評估40-51
• 5.3.1 2012到2013年對比評估41-46
• 5.3.2 2014到2015年對比評估46-51
• 5.3.3 結(jié)果分析51
• 5.4 不同預(yù)測模型的對比評估51-60
• 5.4.1 2012到2013年對比評估51-56
• 5.4.2 2014到2015年對比評估56-60
• 5.4.3 結(jié)果分析60
• 5.5 本章小結(jié)60-61
• 6 總結(jié)與展望61-63
• 6.1 論文總結(jié)61-62
• 6.2 論文展望62-63
• 致謝63-64
• 參考文獻(xiàn)64-67
• 附錄67
• A. 作者在攻讀學(xué)位期間完成的論文目錄67

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 施航;馬琳達(dá);;人工神經(jīng)網(wǎng)絡(luò)在股票價(jià)格預(yù)測中的應(yīng)用[J];電腦開發(fā)與應(yīng)用;2007年09期

2 王晴;;組合模型在股票價(jià)格預(yù)測中應(yīng)用研究[J];計(jì)算機(jī)仿真;2010年12期

3 劉小蘭;;改進(jìn)支持向量機(jī)的股票價(jià)格預(yù)測研究[J];農(nóng)業(yè)網(wǎng)絡(luò)信息;2012年09期

4 李忍東;饒佳藝;嚴(yán)亞寧;;基于智能計(jì)算的股票價(jià)格預(yù)測[J];科技通報(bào);2013年04期

5 徐維維;高風(fēng);;灰色算法在股票價(jià)格預(yù)測中的應(yīng)用[J];計(jì)算機(jī)仿真;2007年11期

6 朱嘉瑜;葉海燕;高鷹;;基于隱馬爾可夫模型的股票價(jià)格預(yù)測組合模型[J];計(jì)算機(jī)工程與設(shè)計(jì);2009年21期

7 王玲;;最優(yōu)組合模型在證券市場預(yù)測中的應(yīng)用研究[J];計(jì)算機(jī)仿真;2012年01期

8 王煜坤;張yN;;屬性聚類網(wǎng)絡(luò)在股票價(jià)格預(yù)測中的應(yīng)用[J];電腦知識(shí)與技術(shù);2009年18期

9 楊震;;基于后效時(shí)間長度的股票價(jià)格預(yù)測[J];計(jì)算機(jī)仿真;2012年02期

10 江龍;薛佳佳;;基于差值灰色RBF網(wǎng)絡(luò)模型股票價(jià)格預(yù)測研究[J];廣西大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前1條

1 于志軍;楊善林;;基于誤差校正的GARCH股票價(jià)格預(yù)測模型[A];“兩型社會(huì)”建設(shè)與管理創(chuàng)新——第十五屆中國管理科學(xué)學(xué)術(shù)年會(huì)論文集（上）[C];2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 程隆昌;灰色GM(1,2)模型在股票價(jià)格預(yù)測中的應(yīng)用[D];天津財(cái)經(jīng)大學(xué);2015年

2 羅必輝;基于改進(jìn)支持向量回歸機(jī)的股價(jià)預(yù)測研究[D];重慶大學(xué);2016年

3 沈志剛;支持向量回歸機(jī)在股票價(jià)格預(yù)測中的分析與應(yīng)用[D];暨南大學(xué);2007年

4 呂欣;基于神經(jīng)網(wǎng)絡(luò)股票價(jià)格預(yù)測模型及系統(tǒng)的研究[D];吉林大學(xué);2010年

5 高立剛;支持向量機(jī)及其在股票價(jià)格預(yù)測方面的應(yīng)用[D];北京工業(yè)大學(xué);2006年

6 胡藝博;基于小波—粒子濾波算法的股票價(jià)格預(yù)測研究[D];吉林大學(xué);2008年

7 陳麗瓊;函數(shù)型數(shù)據(jù)分析方法在股票價(jià)格預(yù)測上的應(yīng)用[D];廈門大學(xué);2014年

8 唐廣宇;股票價(jià)格預(yù)測的時(shí)間序列組合模型方法[D];湘潭大學(xué);2013年

9 張克宜;基于改進(jìn)GM（1，N）和優(yōu)化SVM組合模型的股票價(jià)格預(yù)測[D];哈爾濱工業(yè)大學(xué);2013年

10 姜愛宇;部分線性模型在股票價(jià)格預(yù)測中的應(yīng)用研究[D];遼寧師范大學(xué);2012年

，

本文編號：624806