股票市場不僅是國家經(jīng)濟的晴雨表，在中國更是企業(yè)融資和廣大股民投資的重要手段。股票漲跌能夠得到大致預(yù)測，就能為投資者提供有效的股票投資指導(dǎo)，從而有效克服盲目投資的弊端和有效規(guī)避了股票的投資風險。本文將股票的未來走勢分別劃分為兩種（漲、跌），把股市的波動預(yù)測轉(zhuǎn)化為兩類分類問題，通過股票上周數(shù)據(jù)指標來對下周股價漲跌進行預(yù)測，分別利用核函數(shù)為高斯核的最小二乘支持向量機（LSSVM）模型以及LSSVM和AdaBoost算法混合模型（SVM_AdaBoost）進行分類識別。本文首先介紹了股市的相關(guān)背景知識，國內(nèi)外對于股票預(yù)測的研究綜述，對幾種現(xiàn)有的股票預(yù)測方法進行了介紹。接著全面介紹了統(tǒng)計學習理論和建立在其基礎(chǔ)上的SVM方法，闡述了LSSVM的原理及其優(yōu)點。并選取萬科A股作為實證對象，驗證LSSVM在整體預(yù)測，以及上漲市、下跌市、震蕩市的預(yù)測情況，實證表明股價在單邊上漲或者下跌的時候，LSSVM具有較好的分類性能。為提高震蕩市以及整體市場的預(yù)測性能，引入AdaBoost算法。介紹了AdaBoost算法的理論和算法流程，指明該算法可以和SVM模型組合的優(yōu)勢：SVM_A

【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

經(jīng)驗風險、VC維h、期望風險等關(guān)系

第三章 支持向量機理論 最優(yōu)分類超平面 由 2.2.3 節(jié)可知，支持向量機基于結(jié)構(gòu)風險最小化原則，能夠在特定訓(xùn)練樣本度和學習能力之間尋求最佳折衷。一般神經(jīng)網(wǎng)絡(luò)處理分類問題，會生成一個分，然后不斷移動它，使訓(xùn)練的樣本不同的類別分別落在超平面的兩側(cè)。但是這靠近訓(xùn)練數(shù)據(jù)中的樣本。支持向量機就是想找到一個最優(yōu)分類面，使得分類面離盡可能的大。當考慮兩類問題時，假設(shè)訓(xùn)練樣本集是線性的，即存在線性的些樣本分開，可以知道這樣的分類面有無數(shù)個。我們希望靠近分類面的點與分離達到最大。先畫出分別經(jīng)過兩類樣本中距離分類界面最近的點的兩個平行平 ，且要求兩個平行平面的距離達到最大。那么最優(yōu)分類面正好在這兩個平行平。圖 3‐1 中顯然 B 的分類方案優(yōu)于 A。

圖 3-2 支持向量機最優(yōu)超平面距離知識可知，平面1H 和平面2H 間隔等于2w，面，可以表示成一個約束優(yōu)化問題： 21min2. . 1, 1, 2, ,i iws t y w x b i n 是最小代價函數(shù)，（3‐3）式是一個凸規(guī)劃問題，引入 11, , 12nT Ti i iiL w b w w y w x b 1,2,...,n Lagrange 系數(shù)。分別對w、b 求導(dǎo)，把結(jié)果

【參考文獻】：
期刊論文
[1]基于AR模型的Kalman濾波在股票價格預(yù)測中的應(yīng)用[J]. 金瑤,蔡之華.  統(tǒng)計與決策. 2013(06)
[2]基于Adaboost和CART結(jié)合的優(yōu)化分類算法[J]. 丁雍,李小霞.  微型機與應(yīng)用. 2011(23)
[3]基于分形市場假說的中國期貨市場有效性研究[J]. 孫偉.  襄樊學院學報. 2011(05)
[4]PCA-GA-SVM模型的構(gòu)建及應(yīng)用研究——滬深300指數(shù)預(yù)測精度實證分析[J]. 徐國祥,楊振建.  數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究. 2011(02)
[5]穩(wěn)健的多支持向量機自適應(yīng)提升算法[J]. 張振宇.  大連交通大學學報. 2010(02)
[6]基于AdaBoost算法的加權(quán)二乘向量回歸機[J]. 彭代強,林幼權(quán).  計算機應(yīng)用. 2010(03)
[7]基于SVM和AdaBoost的人臉檢測算法[J]. 朱信忠,唐金良,徐慧英,趙建民.  微型電腦應(yīng)用. 2009(09)
[8]基于內(nèi)容的圖像檢索中SVM和Boosting方法集成應(yīng)用[J]. 解洪勝,張虹.  計算機應(yīng)用. 2009(04)
[9]利用ARFIMA模型研究金融時間序列[J]. 周俊梅.  海南師范大學學報(自然科學版). 2008(04)
[10]基于多步校正的改進AdaBoost算法[J]. 蔣焰,丁曉青.  清華大學學報(自然科學版). 2008(10)

博士論文
[1]基于有限混合狀態(tài)空間的金融隨機波動模型及應(yīng)用研究[D]. 鄭挺國.吉林大學 2009
[2]非線性動力學方法在時間序列分析中的應(yīng)用[D]. 王鼐.復(fù)旦大學 2005
[3]基于統(tǒng)計學習理論的支持向量機算法研究[D]. 唐發(fā)明.華中科技大學 2005
[4]我國股市非線性時間序列分析[D]. 陳永忠.華中科技大學 2004

碩士論文
[1]灰色-GARCH混合模型及其在股票指數(shù)中的應(yīng)用[D]. 崔冰.西北農(nóng)林科技大學 2012
[2]混沌理論在股票市場走勢預(yù)測中的應(yīng)用研究[D]. 袁博.東北林業(yè)大學 2012
[3]基于數(shù)據(jù)挖掘的數(shù)量化模型選股分析平臺[D]. 石煜.電子科技大學 2012
[4]基于隱馬爾科夫模型的股價走勢預(yù)測[D]. 吳漫君.華南理工大學 2011
[5]基于支持向量機的股市預(yù)測研究[D]. 金得寶.浙江大學 2010
[6]股票價格時間序列ARCH模型建立與選擇研究[D]. 高偉良.合肥工業(yè)大學 2009
[7]中國股市的非線性特性分析[D]. 呂曉華.浙江工商大學 2008
[8]基于SVM的時態(tài)數(shù)據(jù)挖掘及在證券分析中的應(yīng)用研究[D]. 莊彬.浙江工業(yè)大學 2007
[9]基于支持向量機的測井曲線預(yù)測儲層參數(shù)方法[D]. 張彥周.西安科技大學 2006



本文編號：3316897