本文選題：時間序列　切入點(diǎn)：非線性　出處：《昆明理工大學(xué)》2014年碩士論文

【摘要】：隨著經(jīng)濟(jì)的快速發(fā)展,金融領(lǐng)域的研究越來越受到國內(nèi)外學(xué)者的重視。近年來時間序列分析的方法有好多種,傳統(tǒng)的模型要么模型非線性映射比較簡單,不能完全反映非線性規(guī)律；要么模型結(jié)構(gòu)復(fù)雜,推廣性不強(qiáng)。支持向量機(jī)(Support Vector Machines,SVM)提供了較好的建模方法,有較好的理論基礎(chǔ),不需要考慮系統(tǒng)的數(shù)學(xué)模型,對數(shù)據(jù)擬合采用結(jié)構(gòu)風(fēng)險最小化,訓(xùn)練率高。本文將信息�；cSVM組合,對證券時間序列進(jìn)行回歸分析。 首先對時間序列分析、SVM和信息�；睦碚撨M(jìn)行了比較深入的介紹,并將SVM運(yùn)用到時間序列的分析當(dāng)中,將證券時間序列的數(shù)據(jù)根據(jù)模型進(jìn)行自變量和因變量的選擇,并對這些數(shù)據(jù)進(jìn)行歸一化處理；其次針對SVM相關(guān)的參數(shù)進(jìn)行調(diào)節(jié)的問題進(jìn)行了研究,主要介紹了三種參數(shù)尋優(yōu)方法,分別是交叉驗證法、遺傳算法、微粒群優(yōu)化算法,對這些算法的效率進(jìn)行比較：最后對上證指數(shù)進(jìn)行模糊信息�；笤龠M(jìn)行SVM的回歸分析,這樣對上證收盤指數(shù)的變化趨勢和空間進(jìn)行了有效的預(yù)測。 實驗結(jié)果表明SVM模型很好的反映了上證指數(shù)的變化規(guī)律,擬合和預(yù)測還是比較理想的：同時將信息�；蚐VM模型的有效結(jié)合可以使SVM發(fā)揮更好的效果,而且這種方法是十分可行的。
[Abstract]:With the rapid development of economy, the financial sector research more and more attention by scholars. There are a lot of methods of time series analysis in recent years, the traditional model or model of nonlinear mapping is relatively simple, can not fully reflect the nonlinear law; or the complex structure of the model, the promotion is not strong. The support vector machine (Support Vector Machines. SVM) provides a good modeling method, a good theoretical basis, do not need to consider the mathematical model of the system, the data fitting using structural risk minimization, the training rate is high. The information granulation in combination with SVM regression analysis for stock time series.
First, analysis of the time series, SVM and information granulation theory this paper introduces, and the SVM is applied to the analysis of time series, the stock time series data according to the model of the independent and dependent variables, and these data are normalized processing parameters; secondly, SVM related regulation the problem is studied, this paper introduces three kinds of optimization methods, namely the method of cross validation, genetic algorithm, particle swarm optimization algorithm, compare the efficiency of the algorithm. In the end, the stock index regression analysis of fuzzy information granulation after SVM, which was effective in predicting the change trend and the Shanghai index closed space.
The experimental results show that the SVM model reflects the change rule of the Shanghai stock index very well, and the fitting and prediction is ideal. At the same time, the effective combination of information granulation and SVM model can make SVM play a better effect, and this method is very feasible.

【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：F830.91;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 李鴻;;粒集理論:粒計算的新模型[J];重慶郵電大學(xué)學(xué)報(自然科學(xué)版);2007年04期

2 黃兆華,鄧毅雄;粒計算及其應(yīng)用的研究[J];華東交通大學(xué)學(xué)報;2005年05期

3 劉清,劉群;粒及粒計算在邏輯推理中的應(yīng)用[J];計算機(jī)研究與發(fā)展;2004年04期

4 李凌均,張周鎖,何正嘉;支持向量機(jī)在機(jī)械故障診斷中的應(yīng)用研究[J];計算機(jī)工程與應(yīng)用;2002年19期

5 胡壽松,王源;基于支持向量機(jī)的非線性系統(tǒng)故障診斷[J];控制與決策;2001年05期

6 王定成;溫室環(huán)境的支持向量機(jī)回歸建模[J];農(nóng)業(yè)機(jī)械學(xué)報;2004年05期

7 張楊;宋恒;;基于聚類技術(shù)的股市基本趨勢規(guī)律挖掘[J];數(shù)理統(tǒng)計與管理;2006年04期

8 孫宗海,楊旭華,孫優(yōu)賢;基于支持向量機(jī)的模糊回歸估計[J];浙江大學(xué)學(xué)報(工學(xué)版);2005年06期

9 魯小兵,李德基;基于神經(jīng)網(wǎng)絡(luò)的泥石流預(yù)測[J];自然災(zāi)害學(xué)報;1996年03期

，

本文編號：1654785