【摘要】：對于高頻時間序列問題的研究一直是數(shù)據(jù)科學(xué)家研究的熱點,伴隨著機(jī)器學(xué)習(xí)算法的不斷發(fā)展,為其研究找到了新的突破口,在眾多類型的高頻時間序列中,高頻金融時間序列數(shù)據(jù)的預(yù)測更是預(yù)測難度最大的時間序列之一。以神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)雖然可以達(dá)到很高的精度,但其要求數(shù)據(jù)量大,運算速度慢,對計算機(jī)硬件要求高,容易陷入局部極值等一系列內(nèi)在缺陷使得其無法完全適應(yīng)高頻金融時間序列數(shù)據(jù)這類樣本數(shù)量有限且存在大量噪聲的數(shù)據(jù)類型。單一的機(jī)器學(xué)習(xí)模型難以勝任高頻金融時間序列的研究,而國內(nèi)外的研究重點主要集中在單個模型的改進(jìn)和參數(shù)優(yōu)化上面,顯然,對于高頻金融時間序列的研究還有待進(jìn)一步加強(qiáng)和充實。針對高頻金融時間序列的非線性、非平穩(wěn)、低信噪比等固有特點,為提高高頻金融時間序列數(shù)據(jù)的預(yù)測精度,本文在改進(jìn)進(jìn)化算法參數(shù)尋優(yōu)的基礎(chǔ)上,分別針對高頻金融時間序列數(shù)據(jù)非平穩(wěn)和低信噪比的特點以及單步預(yù)測和多步滾動預(yù)測模式的不同,構(gòu)建了基于K均值聚類的支持向量回歸模型用于單步預(yù)測,以及基于小波降噪和K均值聚類的支持向量回歸模型用于多步滾動預(yù)測。實證結(jié)果表明,兩種模型在單步與多步滾動預(yù)測性能上較支持向量回歸模型均具有明顯地提升。第一部分,闡述了國內(nèi)外對于高頻時間序列的研究現(xiàn)狀。從傳統(tǒng)的數(shù)理統(tǒng)計模型到機(jī)器學(xué)習(xí),從神經(jīng)網(wǎng)絡(luò)到支持向量機(jī)的轉(zhuǎn)變,對比了支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)的優(yōu)劣,并重點介紹了從支持向量機(jī)到支持向量回歸的推導(dǎo)過程。第二部分,針對高頻金融時間序列非線性的特點,選用支持向量回歸模型進(jìn)行預(yù)測。介紹了模型參數(shù)對模型精度的影響,并在進(jìn)化算法的基礎(chǔ)上做出了改進(jìn),利用改進(jìn)進(jìn)化算法進(jìn)行參數(shù)尋優(yōu)后的模型對高頻金融時間序列數(shù)據(jù)進(jìn)行預(yù)測。實證結(jié)果表明,基于進(jìn)化算法的支持向量回歸模型比基于傳統(tǒng)參數(shù)尋優(yōu)算法的支持向量回歸模型具有更高的預(yù)測精度,其收斂速度更快,且在一定程度上可以擴(kuò)大初始值的選擇范圍,對于無先驗經(jīng)驗的參數(shù)尋優(yōu)更加高效、友好。第三部分,針對高頻金融時間序列中支持向量回歸模型無法克服的數(shù)據(jù)非平穩(wěn)問題,通過在改進(jìn)進(jìn)化算法參數(shù)尋優(yōu)的基礎(chǔ)上構(gòu)建基于K均值聚類的支持向量回歸模型來解決。一方面利用改進(jìn)進(jìn)化算法為模型尋得的最優(yōu)參數(shù)提高模型的預(yù)測精度;另一方面是利用了無監(jiān)督學(xué)習(xí)算法對數(shù)據(jù)進(jìn)行聚類,在理論上能夠?qū)r間序列的異常波動和正常波動區(qū)分開來,使分類后的數(shù)據(jù)趨于平穩(wěn),從而提升模型的預(yù)測精度。實證結(jié)果表明,在同樣以改進(jìn)進(jìn)化算法進(jìn)行參數(shù)尋優(yōu)的條件下,基于K均值聚類的支持向量回歸模型可以在單步預(yù)測時提供比傳統(tǒng)支持向量回歸模型更好的預(yù)測精度。第四部分,針對高頻金融時間序列數(shù)據(jù)低信噪比的特點以及滾動預(yù)測模式的特點,在基于改進(jìn)進(jìn)化算法和K均值聚類的支持向量回歸模型的基礎(chǔ)上加入了小波降噪算法。該模型在降低了預(yù)測難度的同時也不失實際意義,并出于實際應(yīng)用的考慮,進(jìn)行多步滾動預(yù)測,通過滑動時間窗口檢驗?zāi)Ｐ托阅�。實證結(jié)果表明,在同樣以改進(jìn)進(jìn)化算法進(jìn)行參數(shù)尋優(yōu)的條件下,基于小波降噪和K均值聚類的支持向量回歸模型在統(tǒng)計學(xué)意義上表現(xiàn)出比基于小波降噪的支持向量回歸模型更好的預(yù)測精度和穩(wěn)定性。最后,就前文的所述進(jìn)行總結(jié),提出本文的不足之處,就未來可能的研究方向進(jìn)行了分析。
【學(xué)位授予單位】：江西財經(jīng)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：O211.61;F830
【圖文】：

論文的組織結(jié)構(gòu)

圖1.5支持向量回歸示意圖

時間序列中的應(yīng)用研究時，將測試集的數(shù)據(jù)既用來參數(shù)尋優(yōu)又用來評價模型，則，若將這樣得到的參數(shù)代入模型中將會導(dǎo)致最終的模型評之，一般不直接用測試集的數(shù)據(jù)來進(jìn)行參數(shù)尋優(yōu)計算，因參數(shù)是偏向于樣本數(shù)據(jù)的，對于總體數(shù)據(jù)的適應(yīng)度可能并也就是缺乏泛化能力使得模型過學(xué)習(xí)了。法就是將完整的數(shù)據(jù)集先劃分為訓(xùn)練集和測試集，再將訓(xùn)驗證集，這樣一來就可以實現(xiàn)不同的數(shù)據(jù)集的各自分工型，驗證集用來參數(shù)尋優(yōu)，而測試集用來評價模型，如模型訓(xùn)練 參數(shù)尋優(yōu) 模型評價

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫秋韻;劉金清;劉引;吳慶祥;;基于改進(jìn)GA參數(shù)優(yōu)化的SVR股價預(yù)測模型[J];計算機(jī)系統(tǒng)應(yīng)用;2015年09期

2 蘇治;傅曉媛;;核主成分遺傳算法與SVR選股模型改進(jìn)[J];統(tǒng)計研究;2013年05期

3 陳濤;;基于差分進(jìn)化算法的支持向量回歸機(jī)參數(shù)優(yōu)化[J];計算機(jī)仿真;2011年06期

4 佟偉民;李一軍;單永正;;基于小波分析的時間序列數(shù)據(jù)挖掘[J];計算機(jī)工程;2008年01期

5 鄧懿波,譚志洪,黃媛;小波降噪影響因素的研究[J];華東交通大學(xué)學(xué)報;2005年02期

6 楊一文,楊朝軍;基于支持向量機(jī)的金融時間序列預(yù)測[J];系統(tǒng)工程理論方法應(yīng)用;2005年02期

7 馬秀紅,曹繼平,董晟飛;小波分析及其應(yīng)用[J];微機(jī)發(fā)展;2003年08期

8 鐘穎,汪秉文;基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測模型[J];系統(tǒng)工程與電子技術(shù);2002年04期

9 張學(xué)工;關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機(jī)[J];自動化學(xué)報;2000年01期

10 牛東曉,邢棉;時間序列的小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型的研究[J];系統(tǒng)工程理論與實踐;1999年05期

本文編號：2789356