股票市場(chǎng)是一個(gè)復(fù)雜的、進(jìn)化的、非線性的動(dòng)態(tài)系統(tǒng),因此股價(jià)指數(shù)預(yù)測(cè)被認(rèn)為是最具挑戰(zhàn)性的時(shí)間序列預(yù)測(cè)應(yīng)用領(lǐng)域之一。 近年來(lái),支持向量機(jī)技術(shù)在時(shí)間序列預(yù)測(cè)應(yīng)用領(lǐng)域取得了很好的效果。支持向量機(jī)從控制學(xué)習(xí)機(jī)器復(fù)雜度的思想出發(fā),不同于傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則,提出了結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,力求經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的同時(shí),希望學(xué)習(xí)模型的推廣性盡可能大。但是,由于股票市場(chǎng)的復(fù)雜性,單一技術(shù)(如支持向量機(jī))很難完全挖掘出市場(chǎng)信息,采用多個(gè)機(jī)器學(xué)習(xí)技術(shù)以構(gòu)建混合模型是解決此問(wèn)題的一種途徑。 本文構(gòu)建基于支持向量機(jī)、自組織映射神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化算法的混合模型以解決股價(jià)指數(shù)的多步預(yù)測(cè)問(wèn)題。其中,自組織映射神經(jīng)網(wǎng)絡(luò)自動(dòng)的根據(jù)數(shù)據(jù)間的相似性對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行聚類;支持向量機(jī)對(duì)各類別數(shù)據(jù)集構(gòu)建回歸預(yù)測(cè)模型;粒子群優(yōu)化算法用于尋找支持向量機(jī)建模過(guò)程中的最優(yōu)超參數(shù)。不同的支持向量機(jī)能夠捕捉股市的不同模式,從而該混合模型能解決股價(jià)指數(shù)的波動(dòng)性問(wèn)題。本文提出的混合模型采用多步預(yù)測(cè)領(lǐng)域中的迭代策略和直接策略,對(duì)道瓊斯工業(yè)指數(shù)進(jìn)行5步提前預(yù)測(cè),并以單一支持向量機(jī)模型為對(duì)比方法,數(shù)據(jù)仿真表明:基于正則均方誤差,平均絕對(duì)百分比誤差指標(biāo)和DM檢驗(yàn)結(jié)果,混合模型的預(yù)測(cè)性能優(yōu)于傳統(tǒng)的單一模型。
【學(xué)位單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2010
【中圖分類】：F830.91;F224
【部分圖文】：

圖 3-2 迭代策略框架現(xiàn)思路如下： 構(gòu)建一步預(yù)測(cè)模型 f ( )。然后應(yīng)用預(yù)測(cè)模型 f ( )進(jìn)行提( )^) = f ( x (t + 1), x t , x (t 1), …, x (t ( p 2))) (中的預(yù)測(cè)值^x (t + 1)替代未知值 x (t + 1)作為模型的輸^), … , x (t +h)均被迭代的預(yù)測(cè)。在第 k ,1≤ k ≤ h步中，有 預(yù)測(cè)值作為模型的輸入。當(dāng) h 1≥ p時(shí)，所有的輸入值均測(cè)能力將急劇下降。迭代預(yù)測(cè)法的最大優(yōu)點(diǎn)為整個(gè)預(yù)測(cè)過(guò)而簡(jiǎn)化了建模過(guò)程，節(jié)省了建模時(shí)間。但其缺點(diǎn)也是明會(huì)積累到下一步的預(yù)測(cè)過(guò)程中，當(dāng)預(yù)測(cè)步數(shù)過(guò)長(zhǎng)時(shí)，這種

圖 4-6 神經(jīng)元鄰域圖上圖中神經(jīng)元連接拓?fù)錇樗倪呅巍D中最黑的點(diǎn)，即標(biāo)示為 Home Neuron 的點(diǎn)就是優(yōu)勝神經(jīng)元，其距離為 0，以此點(diǎn)為中心向四周擴(kuò)散，最內(nèi)方框里的八個(gè)神經(jīng)元與優(yōu)勝神經(jīng)元的距離為 1，次外層方框內(nèi)的 16 個(gè)神經(jīng)元與優(yōu)勝神經(jīng)元的距離為 2，以此類推，當(dāng)距離超出一定數(shù)值時(shí)，此外的神經(jīng)元不視為領(lǐng)域內(nèi)的神經(jīng)元，不參與學(xué)習(xí)。在 SOM 網(wǎng)絡(luò)訓(xùn)練過(guò)程中，輸出神經(jīng)元的權(quán)向量iω 逐漸向獲勝神經(jīng)元靠近。權(quán)向量集是對(duì)訓(xùn)練樣本集中所有樣本的描述，相似度較高的神經(jīng)元聚集在一起，在網(wǎng)格中形成一個(gè)個(gè)聚類的數(shù)據(jù)云，從而權(quán)向量可看作是以它為獲勝神經(jīng)元的所有樣本的聚類中心。4.1.2 U 矩陣

得到如下二次規(guī)劃問(wèn)題：)( ) ( ( ) ( )) ( ) * * 1 1n ni j j i j i i i i a a φ x φ x ε y a = = + ∑ + ∑ ) [ ]* *0, , 0, , (4i i i ia a = a a ∈ C，此時(shí)式（4-8）轉(zhuǎn)化為：) ( ( ) ( ))*. ( i i a φ x φx b + 計(jì)算出b ，通過(guò)引入 Karush-Kuhn-Tucker( ( )))0iw x bφ+ + =
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張玉川;張作泉;;支持向量機(jī)在股票價(jià)格預(yù)測(cè)中的應(yīng)用[J];北京交通大學(xué)學(xué)報(bào);2007年06期

2 尉詢楷,李應(yīng)紅,王碩,路建明,汪誠(chéng);基于支持向量機(jī)的航空發(fā)動(dòng)機(jī)滑油監(jiān)控分析[J];航空動(dòng)力學(xué)報(bào);2004年03期

3 陳友,張國(guó)基,郭國(guó)雄;一種改進(jìn)的SVM算法及其在證券領(lǐng)域中的應(yīng)用[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年07期

4 羅澤舉;宋麗紅;薛宇峰;朱思銘;;一類基于SVM/RBF的氣象模型預(yù)測(cè)系統(tǒng)[J];計(jì)算機(jī)工程;2006年21期

5 陳政;楊天奇;;基于RBF神經(jīng)網(wǎng)絡(luò)的股票市場(chǎng)預(yù)測(cè)[J];計(jì)算機(jī)應(yīng)用與軟件;2010年06期

6 金桃;岳敏;穆進(jìn)超;宋偉國(guó);何艷珊;陳毅;;基于SVM的多變量股市時(shí)間序列預(yù)測(cè)研究[J];計(jì)算機(jī)應(yīng)用與軟件;2010年06期

7 江田漢;束炯;;基于LSSVM的混沌時(shí)間序列的多步預(yù)測(cè)[J];控制與決策;2006年01期

8 張晨希;張燕平;張迎春;陳潔;萬(wàn)忠;;基于支持向量機(jī)的股票預(yù)測(cè)[J];計(jì)算機(jī)技術(shù)與發(fā)展;2006年06期

9 楊一文,劉貴忠,蔡毓;基于模糊神經(jīng)網(wǎng)絡(luò)和R/S分析的股票市場(chǎng)多步預(yù)測(cè)[J];系統(tǒng)工程理論與實(shí)踐;2003年03期

10 孟慶芳;張強(qiáng);牟文英;;混沌序列自適應(yīng)多步預(yù)測(cè)及在股票中的應(yīng)用[J];系統(tǒng)工程理論與實(shí)踐;2005年12期

相關(guān)博士學(xué)位論文 前1條

1 王俊偉;粒子群優(yōu)化算法的改進(jìn)及應(yīng)用[D];東北大學(xué);2006年

相關(guān)碩士學(xué)位論文 前1條

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

本文編號(hào)：2859219