隨著中國(guó)的股票市場(chǎng)的高速發(fā)展,每天都會(huì)產(chǎn)生大量的股票數(shù)據(jù),對(duì)這些數(shù)據(jù)的有效預(yù)測(cè),對(duì)于股票投資者來(lái)說(shuō),是非常重要且具有價(jià)值的事情。本文以上證50指數(shù)為研究對(duì)象,在廣泛查閱與股票價(jià)格預(yù)測(cè)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(duì)股票價(jià)格做預(yù)測(cè)。首先通過(guò)相關(guān)性檢驗(yàn),以上證50指數(shù)常用的六個(gè)指標(biāo)作為自變量,以第二天股票的開盤價(jià)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(gè)模型。通過(guò)支持向量回歸進(jìn)行訓(xùn)練與預(yù)測(cè),根據(jù)誤差指標(biāo),選出對(duì)第二天開盤價(jià)預(yù)測(cè)最好的模型;但是,由于股票受多種因素的影響,往往無(wú)法對(duì)第二天開盤價(jià)進(jìn)行精準(zhǔn)預(yù)測(cè),所以我們提出以時(shí)間窗口作為自變量,將開盤價(jià)進(jìn)行模糊�；�,通過(guò)模糊粒子對(duì)開盤價(jià)的變化趨勢(shì)和變化范圍進(jìn)行預(yù)測(cè),用支持向量回歸進(jìn)行訓(xùn)練與預(yù)測(cè)。結(jié)果發(fā)現(xiàn),在股票波動(dòng)幅度較大地方,模型預(yù)測(cè)誤差較大,所以我們對(duì)模型提出改進(jìn),選取模糊�；蟮闹笜�(biāo)作為自變量,消除時(shí)間對(duì)模型預(yù)測(cè)的影響。研究結(jié)果發(fā)現(xiàn),以前一天的六個(gè)指標(biāo)對(duì)第二天開盤價(jià)進(jìn)行預(yù)測(cè)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(duì)開盤價(jià)的變化趨勢(shì)和變化范圍進(jìn)行預(yù)測(cè)時(shí),通過(guò)對(duì)支持向量回歸模型的改進(jìn),我們基本消除了... 

【文章來(lái)源】：安徽師范大學(xué)安徽省

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

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

ｌｏｇ２ｃ??圖３－４交叉驗(yàn)證參數(shù)精細(xì)選擇結(jié)果圖??由圖３－４可以看出，經(jīng)過(guò)進(jìn)一步的精細(xì)選擇，最優(yōu)參數(shù)ｃ＝０．５，ｇ＝２．此時(shí)Ｂｅｓｔ?Ｃｒｏｓｓ??Ｖａｌｉｄａｔｉｏｎ?ＭＳＥ＝０．０００９３?８８６＜０．０００９９１５２，說(shuō)明精度更高。??３．２．４模型訓(xùn)練和預(yù)測(cè)??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(guò)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(guó)１ｘ１?ｓｔｒｕｃｔ?＆含１１個(gè)字段??ｍｏｄｅｌ?萬(wàn)???????＇?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(yàn)證參數(shù)精細(xì)選擇結(jié)果圖??由圖３－４可以看出，經(jīng)過(guò)進(jìn)一步的精細(xì)選擇，最優(yōu)參數(shù)ｃ＝０．５，ｇ＝２．此時(shí)Ｂｅｓｔ?Ｃｒｏｓｓ??Ｖａｌｉｄａｔｉｏｎ?ＭＳＥ＝０．０００９３?８８６＜０．０００９９１５２，說(shuō)明精度更高。??３．２．４模型訓(xùn)練和預(yù)測(cè)??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(guò)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(guó)１ｘ１?ｓｔｒｕｃｔ?＆含１１個(gè)字段??ｍｏｄｅｌ?萬(wàn)???????＇?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(cè)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(jī)的空調(diào)負(fù)荷預(yù)測(cè)[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(jī)回歸組合模型的中長(zhǎng)期降溫負(fù)荷預(yù)測(cè)[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(hù)與控制. 2016(03)
[4]基于模糊信息�；疭VM時(shí)序回歸CPI預(yù)測(cè)[J]. 路世昌,趙博琦,畢建武.  統(tǒng)計(jì)與決策. 2015(14)
[5]基于ARIMA與信息�；疭VR組合模型的交通事故時(shí)序預(yù)測(cè)[J]. 孫軼軒,邵春福,計(jì)尋,朱亮.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(03)
[6]金融時(shí)間序列模糊邊界預(yù)測(cè)研究[J]. 桂斌,黃立冬,周杰,楊小平.  小型微型計(jì)算機(jī)系統(tǒng). 2012(10)
[7]基于模糊信息�；洔y(cè)量建模方法研究[J]. 王強(qiáng),田學(xué)民.  北京理工大學(xué)學(xué)報(bào). 2012(09)
[8]基于支持向量回歸機(jī)的股票價(jià)格預(yù)測(cè)[J]. 謝國(guó)強(qiáng).  計(jì)算機(jī)仿真. 2012(04)
[9]基于信息�；椭С窒蛄繖C(jī)的股票價(jià)格預(yù)測(cè)[J]. 喻勝華,肖雨峰.  財(cái)經(jīng)理論與實(shí)踐. 2011(06)
[10]基于ARMA模型的股價(jià)分析與預(yù)測(cè)的實(shí)證研究[J]. 馮盼,曹顯兵.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2011(22)

碩士論文
[1]人民幣兌美元匯率短期預(yù)測(cè)研究[D]. 許宗禮.暨南大學(xué) 2016
[2]基于支持向量機(jī)的股價(jià)預(yù)測(cè)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(jī)的股價(jià)預(yù)測(cè)研究[D]. 羅必輝.重慶大學(xué) 2016
[4]基于支持向量機(jī)的滬深300指數(shù)回歸預(yù)測(cè)[D]. 王芳.山東大學(xué) 2015
[5]基于集成學(xué)習(xí)的支持向量機(jī)預(yù)測(cè)優(yōu)化算法及其應(yīng)用[D]. 束詩(shī)雨.東華大學(xué) 2015
[6]基于支持向量機(jī)的公路營(yíng)運(yùn)客車擁有量預(yù)測(cè)[D]. 常翠平.哈爾濱工業(yè)大學(xué) 2012
[7]基于支持向量機(jī)的滬深300指數(shù)預(yù)測(cè)研究[D]. 黃振.湖南大學(xué) 2012
[8]金融危機(jī)對(duì)匯率和股市關(guān)聯(lián)性的影響[D]. 徐學(xué)鋼.西南財(cái)經(jīng)大學(xué) 2012
[9]基于BP神經(jīng)網(wǎng)絡(luò)的灰色預(yù)測(cè)模型[D]. 閆建波.西安理工大學(xué) 2009
[10]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]. 沈志剛.暨南大學(xué) 2007



本文編號(hào)：3249757