隨著中國的股票市場的高速發(fā)展,每天都會產(chǎn)生大量的股票數(shù)據(jù),對這些數(shù)據(jù)的有效預(yù)測,對于股票投資者來說,是非常重要且具有價值的事情。本文以上證50指數(shù)為研究對象,在廣泛查閱與股票價格預(yù)測方法相關(guān)的文獻(xiàn)的基礎(chǔ)上,提出了用支持向量回歸模型對股票價格做預(yù)測。首先通過相關(guān)性檢驗,以上證50指數(shù)常用的六個指標(biāo)作為自變量,以第二天股票的開盤價作為因變量。分別以前一天到前五天的歷史數(shù)據(jù)建立五個模型。通過支持向量回歸進(jìn)行訓(xùn)練與預(yù)測,根據(jù)誤差指標(biāo),選出對第二天開盤價預(yù)測最好的模型;但是,由于股票受多種因素的影響,往往無法對第二天開盤價進(jìn)行精準(zhǔn)預(yù)測,所以我們提出以時間窗口作為自變量,將開盤價進(jìn)行模糊粒化,通過模糊粒子對開盤價的變化趨勢和變化范圍進(jìn)行預(yù)測,用支持向量回歸進(jìn)行訓(xùn)練與預(yù)測。結(jié)果發(fā)現(xiàn),在股票波動幅度較大地方,模型預(yù)測誤差較大,所以我們對模型提出改進(jìn),選取模糊粒化后的指標(biāo)作為自變量,消除時間對模型預(yù)測的影響。研究結(jié)果發(fā)現(xiàn),以前一天的六個指標(biāo)對第二天開盤價進(jìn)行預(yù)測的效果最好,這不同于我們通常認(rèn)為的使用的輸入變量越多越好;在對開盤價的變化趨勢和變化范圍進(jìn)行預(yù)測時,通過對支持向量回歸模型的改進(jìn),我們基本消除了... 

【文章來源】：安徽師范大學(xué)安徽省

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖３－３交叉驗證參數(shù)粗略選擇結(jié)果圖??由圖３－３可以看出，經(jīng)過粗略選擇，最優(yōu)參數(shù)ｃ＝０．５７，ｇ＝ｌ．７４，此時Ｂｅｓｔ?Ｃｒｏｓｓ??

ｌｏｇ２ｃ??圖３－４交叉驗證參數(shù)精細(xì)選擇結(jié)果圖??由圖３－４可以看出，經(jīng)過進(jìn)一步的精細(xì)選擇，最優(yōu)參數(shù)ｃ＝０．５，ｇ＝２．此時Ｂｅｓｔ?Ｃｒｏｓｓ??Ｖａｌｉｄａｔｉｏｎ?ＭＳＥ＝０．０００９３?８８６＜０．０００９９１５２，說明精度更高。??３．２．４模型訓(xùn)練和預(yù)測??將精細(xì)選擇得到的最優(yōu)參數(shù)ｃ和ｇ帶入模型進(jìn)行訓(xùn)練，通過訓(xùn)練，得到支持向量??回歸模型具體向量和參數(shù)如下??．：：：二二二：ｚｉ??，……—－－■：?Ｊ國１ｘ１?ｓｔｒｕｃｔ?＆含１１個字段??ｍｏｄｅｌ?萬???????＇?字Ｓ?‘?值?最小值最又直??土ｊ?Ｐａｒａｍｅｔｅｒｓ?［３；２；３；２；０］?０?３??ｎｒ＿ｄａｓｓ?２?２?２??５?ｔｏｔａｌＳＶ?２０４?２０４?．?２０４??－ｆｉ?ｒｈｏ?－１．４９３６?－１．４９．．．?－Ｌ４９．．．??Ｂ?Ｌａｂｅｌ?／／??￣ｊ￣ｌ?ｓｖｊｎｄｉｃｅｓ?２０４ｘ１?ｄｏｕｂｌｅ?３?２１６５??￣ｔ￣ｌ?ＰｒｏｂＡ?／／??５?ＰｒｏｂＳ?［Ｊ??田?ｎＳＶ?［ｊ??￣Ｈ?ｓｖ＿ｃｏｅｆ?２０４ｘ１?ｄｏｕｂｌｅ?－０，５０．？?０．

－４－３－２－１０１２３４??ｌｏｇ２ｃ??圖３－４交叉驗證參數(shù)精細(xì)選擇結(jié)果圖??由圖３－４可以看出，經(jīng)過進(jìn)一步的精細(xì)選擇，最優(yōu)參數(shù)ｃ＝０．５，ｇ＝２．此時Ｂｅｓｔ?Ｃｒｏｓｓ??Ｖａｌｉｄａｔｉｏｎ?ＭＳＥ＝０．０００９３?８８６＜０．０００９９１５２，說明精度更高。??３．２．４模型訓(xùn)練和預(yù)測??將精細(xì)選擇得到的最優(yōu)參數(shù)ｃ和ｇ帶入模型進(jìn)行訓(xùn)練，通過訓(xùn)練，得到支持向量??回歸模型具體向量和參數(shù)如下??．：：：二二二：ｚｉ??，……—－－■：?Ｊ國１ｘ１?ｓｔｒｕｃｔ?＆含１１個字段??ｍｏｄｅｌ?萬???????＇?字Ｓ?‘?值?最小值最又直??土ｊ?Ｐａｒａｍｅｔｅｒｓ?［３；２；３；２；０］?０?３??ｎｒ＿ｄａｓｓ?２?２?２??５?ｔｏｔａｌＳＶ?２０４?２０４?．?２０４??－ｆｉ?ｒｈｏ?－１．４９３６?－１．４９．．．?－Ｌ４９．．．??Ｂ?Ｌａｂｅｌ?／／??￣ｊ￣ｌ?ｓｖｊｎｄｉｃｅｓ?２０４ｘ１?ｄｏｕｂｌｅ?３?２１６５??￣ｔ￣ｌ?ＰｒｏｂＡ?／／??５?ＰｒｏｂＳ?［Ｊ??田?ｎＳＶ?［ｊ??￣Ｈ?ｓｖ＿ｃｏｅｆ?２０４ｘ１?ｄｏｕｂｌｅ?－０，５０．？?０．５０００??Ｓ?ＳＶｓ?２０４ｘ６?ｓｐａｒｓｅ?ｄｏａｂｌ

【參考文獻(xiàn)】：
期刊論文
[1]基于SVM的上證指數(shù)預(yù)測研究[J]. 張晶華,莫文柯,甘宇健.  軟件導(dǎo)刊. 2017(08)
[2]基于模糊信息粒化和支持向量機的空調(diào)負(fù)荷預(yù)測[J]. 侯聰,何大四,靳曉東.  建筑熱能通風(fēng)空調(diào). 2017(02)
[3]基于支持向量機回歸組合模型的中長期降溫負(fù)荷預(yù)測[J]. 王寧,謝敏,鄧佳梁,劉明波,李嘉龍,王一,劉思捷.  電力系統(tǒng)保護與控制. 2016(03)
[4]基于模糊信息�；疭VM時序回歸CPI預(yù)測[J]. 路世昌,趙博琦,畢建武.  統(tǒng)計與決策. 2015(14)
[5]基于ARIMA與信息粒化SVR組合模型的交通事故時序預(yù)測[J]. 孫軼軒,邵春福,計尋,朱亮.  清華大學(xué)學(xué)報(自然科學(xué)版). 2014(03)
[6]金融時間序列模糊邊界預(yù)測研究[J]. 桂斌,黃立冬,周杰,楊小平.  小型微型計算機系統(tǒng). 2012(10)
[7]基于模糊信息�；洔y量建模方法研究[J]. 王強,田學(xué)民.  北京理工大學(xué)學(xué)報. 2012(09)
[8]基于支持向量回歸機的股票價格預(yù)測[J]. 謝國強.  計算機仿真. 2012(04)
[9]基于信息粒化和支持向量機的股票價格預(yù)測[J]. 喻勝華,肖雨峰.  財經(jīng)理論與實踐. 2011(06)
[10]基于ARMA模型的股價分析與預(yù)測的實證研究[J]. 馮盼,曹顯兵.  數(shù)學(xué)的實踐與認(rèn)識. 2011(22)

碩士論文
[1]人民幣兌美元匯率短期預(yù)測研究[D]. 許宗禮.暨南大學(xué) 2016
[2]基于支持向量機的股價預(yù)測研究[D]. 朱磊.重慶工商大學(xué) 2016
[3]基于改進(jìn)支持向量回歸機的股價預(yù)測研究[D]. 羅必輝.重慶大學(xué) 2016
[4]基于支持向量機的滬深300指數(shù)回歸預(yù)測[D]. 王芳.山東大學(xué) 2015
[5]基于集成學(xué)習(xí)的支持向量機預(yù)測優(yōu)化算法及其應(yīng)用[D]. 束詩雨.東華大學(xué) 2015
[6]基于支持向量機的公路營運客車擁有量預(yù)測[D]. 常翠平.哈爾濱工業(yè)大學(xué) 2012
[7]基于支持向量機的滬深300指數(shù)預(yù)測研究[D]. 黃振.湖南大學(xué) 2012
[8]金融危機對匯率和股市關(guān)聯(lián)性的影響[D]. 徐學(xué)鋼.西南財經(jīng)大學(xué) 2012
[9]基于BP神經(jīng)網(wǎng)絡(luò)的灰色預(yù)測模型[D]. 閆建波.西安理工大學(xué) 2009
[10]支持向量回歸機在股票價格預(yù)測中的分析與應(yīng)用[D]. 沈志剛.暨南大學(xué) 2007



本文編號：3249757