隨著我國證券市場的不斷發(fā)展和完善,股票市場作為我國經(jīng)濟“晴雨表”的功能也越來越突出,無論是個人投資者還是國家都十分關注股票市場的走勢。若能較為準確的預測股票市場的漲跌趨勢,不僅可以為廣大投資者提供投資決策的依據(jù),也能夠為國家制定相關經(jīng)濟政策提供參考。股票市場具有非線性、高噪聲、數(shù)據(jù)量大等特征,相關的股票分析方法,如基本面分析法、技術面分析法、時間序列分析法等,各有特色,但難以適應日趨復雜的股市。研究表明,股票趨勢預測的精度主要受數(shù)據(jù)質(zhì)量和算法性能兩方面影響。因此,本文提出了一種特征自適應賦權的SVM股票趨勢預測模型,設計了基于遺傳算法（Genetic Algorithm,GA）特征自適應賦權算法和基于粒子群算法（Particle Swarm Optimization,PSO）的SVM參數(shù)優(yōu)化算法,選定了14個關鍵的股票財務指標,最終實現(xiàn)了股票漲跌趨勢預測模型。在實際股票數(shù)據(jù)集上的實驗結果表明,本文提出的股票趨勢預測模型是可行的和有效的,其性能優(yōu)于決策樹模型、KNN模型、Bayes模型和BP神經(jīng)網(wǎng)絡模型。本文主要工作如下:（1）針對股票數(shù)據(jù)特征,提出了一種基于遺傳算法特征自適應賦權和粒子... 

【文章來源】：鄭州大學河南省 211工程院校

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

結構風險最小化原理圖

圖 2.2 最大邊緣超平面示意圖可分情況中，假設給定標記的 n 個訓練實例{(x1, y1), (x2, y2)練實例 xi∈Rk(i=1,...,n)，類標號為 yi∈{-1,1}，k 為訓練實例的界可以表示為：w x + b= 0 和 b 為決策邊界的參數(shù)。性可分支持向量機性可分問題，為找到具有最大間隔的劃分超平面，SVM 學習如下：2,2s.t. ( ) 1, 1, 2,..., .minw bi iwy w x + b ≥ i =n化問題，是一個二次的凸優(yōu)化問題，通過拉格朗日優(yōu)化方法對

圖 2.3 線性不可分決策邊界示意圖上述線性不可分問題，運用一種特殊的方法——軟邊緣(S忍學習得到的決策邊界存在一些錯誤。為此，引入松弛≥0，原約束條件可改為：2, 1+2s.t. ( ) 1 , 1, 2,..., .0, 1, 2,...,minniw b ii i iiwCy w x b i ni nξξξ= + ≥ =≥ = C>0 是一個常數(shù)，被稱為懲罰系數(shù)。C 的大小一般由應用示對錯誤分類的樣例的懲罰越大，即使最大間隔減小，泛化情況相反�？梢酝ㄟ^對懲罰系數(shù) C 的調(diào)節(jié)，使泛化能力和平衡。因此，通過利用拉格朗日方法可以將式(2.15)受約：21 , , , ) || || (1 ( ))2n n ni i i i i b λ ξ μ w C ξ λ ξ y w x bμ= + + +


本文編號：3089047