本文關鍵詞：股價預測中AP-FIG和DKIPSO-SVR模型的構(gòu)建與應用

  更多相關文章： 粒子群算法 支持向量回歸機 AP-FIG模型 DKIPSO-SVR模型 股價預測

【摘要】：隨著經(jīng)濟一體化的延伸發(fā)展,股票市場在證券領域中以令人矚目的速度迅猛發(fā)展。但由于股市樣本結(jié)構(gòu)不完整,各指標間存在高冗余、線性相關性,這直接影響著股市近期開盤價的預測,致使提供給投資者是否購買股票、拋售股票的參考依據(jù)不太真實,從而導致近期開盤價的跌宕起伏。因此,對于開盤價預測方法的研究具有廣泛的應用前景�？紤]到傳統(tǒng)預測方法精度低、非線性映射能力弱等缺陷,而支持向量回歸機(SVR)全局最優(yōu)性強,能通過核函數(shù)將非線性問題轉(zhuǎn)變成線性問題。另外,粒子群算法(PSO)收斂速度快、全局尋優(yōu)能力強,通過PSO優(yōu)化SVR不僅能夠選取最優(yōu)參數(shù),同時也能提高模型的泛化能力。因此,在單指標、多指標股價預測中,本文首次提出非對稱拋物型(AP)函數(shù)模糊信息�；�(FIG,AP-FIG)股市樣本,通過主成分分析(PCA)、AP-FIG、網(wǎng)格搜索(GS)優(yōu)化SVR(GS-SVR)、動態(tài)權(quán)重因子更新PSO粒子速度(DIPSO)優(yōu)化SVR (DIPSO-SVR)、首次引入動態(tài)縮減因子更新DIPSO粒子位置(DKIPSO)優(yōu)化SVR (DKIPSO-SVR)組合預測股市近期開盤價的走勢及變化區(qū)間。針對上述現(xiàn)狀和問題,完成以下5部分工作：1、針對SVR現(xiàn)有的其中3種核函數(shù),選用滬深指數(shù)、IBM指數(shù)單、多指標樣本,通過GS-SVR預測股市近期開盤價。結(jié)果表明感知器核函數(shù)(Sigmoid)擬合效果最好。2、針對已有預測方法僅選用國內(nèi)或國外樣本,輸入指標選取開盤價或收盤價,缺乏真實性和對比性。對此,本文通過三角型函數(shù)的FIG(T-FIG)和GS-SVR預測開盤價選取最優(yōu)單指數(shù)。結(jié)果表明收盤價代表性強于開盤價。3、對于多指標樣本,通過PCA進行降維,再經(jīng)過AP-FIG和DKIPSO-SVR預測近期開盤價。由其主成分載荷和主成分排序得出：單指標預測方面,收盤價是最佳選擇；多指標方面,滬深指數(shù)降成2維,IBM指數(shù)降成1維(收盤價)。4、針對三角型、梯型函數(shù)�；Ч粔蚱交�,同時開盤價走勢又呈非對稱型,本文首次提出AP-FIG處理樣本,通過DKIPSO-SVR預測股市近期開盤價。結(jié)果表明AP擬合度高,變化區(qū)間��；梯型次之,較優(yōu)于三角型。5、針對定值權(quán)重因子更新PSO粒子速度(IPSO)優(yōu)化SVR效能較低,定值縮減因子更新IPSO粒子速度(RIPSO)各因子間相互冗余,本文首次建立DKIPSO-SVR模型,并通過AP-FIG、 DIPSO-SVR和DKIPSO-SVR預測股市開盤價。結(jié)果表明DKIPSO-SVR變化區(qū)間和泛化能力均優(yōu)于DIPSO-SVR。
【關鍵詞】：粒子群算法 支持向量回歸機 AP-FIG模型 DKIPSO-SVR模型 股價預測
【學位授予單位】：內(nèi)蒙古大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：F832.51;F224
【目錄】：

• 摘要4-6
• ABSTRACT6-13
• 第一章 緒論13-20
• 1.1 課題背景13
• 1.2 研究目的與意義13-14
• 1.2.1 研究目的13-14
• 1.2.2 研究意義14
• 1.3 國內(nèi)外研究現(xiàn)狀14-16
• 1.3.1 人工神經(jīng)網(wǎng)絡14-15
• 1.3.2 支持向量機15
• 1.3.3 粒子群算法15-16
• 1.4 創(chuàng)新點16
• 1.5 課題內(nèi)容與結(jié)構(gòu)安排16-20
• 1.5.1 課題內(nèi)容16-17
• 1.5.2 結(jié)構(gòu)安排17-20
• 第二章 相關理論基礎20-27
• 2.1 主成分分析20-22
• 2.1.1 PCA基本原理20
• 2.1.2 PCA算法流程20-22
• 2.2 支持向量機22-25
• 2.2.1 SVM理論概述22
• 2.2.2 SVC基本原理22-23
• 2.2.3 SVR基本原理23-25
• 2.3 粒子群算法25-26
• 2.3.1 PSO基本原理25
• 2.3.2 PSO迭代步驟25-26
• 2.3.3 PSO參數(shù)理論26
• 2.4 本章小結(jié)26-27
• 第三章 AP-FIG和DKIPSO-SVR組合模型的建立27-34
• 3.1 非對稱拋物型隸屬度函數(shù)27-29
• 3.1.1 模糊信息�；�27
• 3.1.2 AP隸屬度函數(shù)27-29
• 3.2 引入動態(tài)縮減因子更新粒子位置的DKIPSO模型29-30
• 3.2.1 引入定性權(quán)重因子更新粒子速度的IPSO模型29
• 3.2.2 引入定性縮減因子更新粒子速度的RIPSO模型29
• 3.2.3 引入動態(tài)權(quán)重因子更新粒子速度的DIPSO模型29-30
• 3.2.4 引入動態(tài)縮減因子更新粒子位置的DKIPSO模型30
• 3.3 參數(shù)調(diào)整30-31
• 3.3.1 二階非線性更新學習因子30-31
• 3.3.2 二階非線性更新縮減因子31
• 3.3.3 二階非線性更新權(quán)重因子31
• 3.4 參數(shù)設置31-32
• 3.5 AP-FIG和DKIPSO-SVR預測股價流程32
• 3.6 本章小結(jié)32-34
• 第四章 AP-FIG和DKIPSO-SVR預測數(shù)據(jù)選取及處理34-40
• 4.1 樣本選取34-35
• 4.2 數(shù)據(jù)歸一化35
• 4.3 AP-FIG�；芍笖�(shù)據(jù)35-36
• 4.4 PCA處理多指標樣本36-39
• 4.4.1 IBM指數(shù)36-37
• 4.4.2 滬深指數(shù)37-39
• 4.5 本章小結(jié)39-40
• 第五章 AP-FIG和DKIPSO-SVR預測股價與性能分析40-55
• 5.1 GS-SVR選取核函數(shù)40-43
• 5.1.1 滬深單指標預測40-41
• 5.1.2 滬深多指標預測41
• 5.1.3 IBM單指標預測41-42
• 5.1.4 IBM多指標預測42-43
• 5.2 T-FIG和GS-SVR選取單指標指數(shù)43-45
• 5.2.1 滬深開盤價和收盤價預測43-44
• 5.2.2 IBM收盤價和開盤價預測44-45
• 5.3 AP-FIG和DIPSO-SVR預測開盤價45-48
• 5.3.1 單指標預測45-47
• 5.3.2 多指標預測47-48
• 5.4 AP-FIG和DKIPSO-SVR預測開盤價48-51
• 5.4.1 單指標預測48-50
• 5.4.2 多指標預測50-51
• 5.5 不同函數(shù)下AP-FIG與DKIPSO-SVR預測開盤價51-52
• 5.6 結(jié)果分析52-53
• 5.7 本章小結(jié)53-55
• 第六章 總結(jié)與展望55-57
• 6.1 工作總結(jié)55
• 6.2 未來展望55-57
• 參考文獻57-61
• 致謝61-62
• 攻讀碩士學位期間發(fā)表學術(shù)論文62-63
• 攻讀碩士學位期間參與科研項目63

【相似文獻】

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 萬振海;股價預測中AP-FIG和DKIPSO-SVR模型的構(gòu)建與應用[D];內(nèi)蒙古大學;2016年

，

本文編號：697038