發(fā)布時間：2017-05-21 15:00

  本文關(guān)鍵詞：基于改進(jìn)的支持向量機(jī)技術(shù)在股票短期價格預(yù)測中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：股票市場每天產(chǎn)生大量的交易數(shù)據(jù),這些數(shù)據(jù)往往隱藏著大量有用的信息,但卻并不輕易被人們發(fā)掘出來。隨著人們對股票歷史交易數(shù)據(jù)的依賴程度越來越高,從原始交易數(shù)據(jù)中挖掘有用信息,并準(zhǔn)確預(yù)測股票的未來走勢,幫助投資者和證券經(jīng)營機(jī)構(gòu)或股票投資業(yè)務(wù)人員進(jìn)行科學(xué)的投資決策,降低投資風(fēng)險具有重大的現(xiàn)實意義。支持向量機(jī)技術(shù)是目前發(fā)展起來的新興機(jī)器學(xué)習(xí)方法,它在非線性模型識別和小樣本學(xué)習(xí)處理方面具有良好的性能,能解決常見的分類、回歸和分布估計問題,但它在實際應(yīng)用中也存在一些固有的問題亟待解決。本文圍繞SVM核參數(shù)的選取及優(yōu)化問題,在運用遺傳算法和粒子群算法優(yōu)化SVM核參數(shù)的研究基礎(chǔ)之上,提出了改進(jìn)GA-SVM股票回歸預(yù)測模型和混合PSO-SVM股票回歸預(yù)測模型,并用上證指數(shù)樣本數(shù)據(jù)仿真驗證。實驗證明,改進(jìn)后的算法能取得較好的參數(shù)優(yōu)化結(jié)果和預(yù)測效果。據(jù)此,本文的創(chuàng)新點主要包括以下幾個部分:在選取股票回歸預(yù)測模型的核函數(shù)部分,本文分別用常用的四種核函數(shù)進(jìn)行測試,并從中選取均方誤差最小的核函數(shù)作為實驗核函數(shù)。在支持向量機(jī)核參數(shù)優(yōu)化部分,一方面,本文引入對SVM具有重大影響的損失函數(shù)到算法中,建立了基于改進(jìn)遺傳算法的(,,)GA-SVM參數(shù)優(yōu)化模型;另一方面,本文將壓縮因子、隨機(jī)慣性權(quán)重、二階振蕩理論和遺傳算法自然選擇機(jī)理引入到標(biāo)準(zhǔn)粒子群算法中,提出了混合PSO-SVM參數(shù)優(yōu)化模型。在選取實驗的股票指標(biāo)部分,本文按照對股票次日收盤價格的影響程度,選取排名靠前的六個實驗指標(biāo)——股票當(dāng)日收盤價、最高價、最低價、開盤價、成交量和成交額作為研究指標(biāo)并整理分析數(shù)據(jù),同時將排名最靠前的當(dāng)日收盤價作為輸入變量,其他指標(biāo)作為輸出變量參與模型的驗證分析。最后,本文將建立起來的兩種支持向量機(jī)參數(shù)優(yōu)化模型與(,)GA-SVM模型、GS-SVM模型和標(biāo)準(zhǔn)PSO-SVM模型三組模型分別通過整理后的樣本數(shù)據(jù)進(jìn)行仿真實驗預(yù)測并對比實驗結(jié)果。實驗結(jié)果表明經(jīng)過改進(jìn)的(,,)GA-SVM模型和混合PSO-SVM模型相比于原始模型在SVM參數(shù)優(yōu)化及股票價格預(yù)測方面能取得較小的誤差范圍和較高的預(yù)測精度。
【關(guān)鍵詞】：股票價格預(yù)測 支持向量機(jī)參數(shù)優(yōu)化 核函數(shù) 遺傳算法 粒子群算法
【學(xué)位授予單位】：重慶交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：F830.91;TP181
【目錄】：

• 摘要4-5
• ABSTRACT5-10
• 第一章 緒論10-19
• 1.1 研究背景和意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-16
• 1.3 主要研究內(nèi)容及論文框架16-19
• 第二章 支持向量機(jī)理論基礎(chǔ)19-30
• 2.1 統(tǒng)計學(xué)習(xí)理論的基本原理19-22
• 2.1.1 機(jī)器學(xué)習(xí)原理19-20
• 2.1.2 VC維20
• 2.1.3 推廣性的界20-21
• 2.1.4 結(jié)構(gòu)風(fēng)險最小化原則21-22
• 2.2 支持向量機(jī)的基本概念22-26
• 2.2.1 支持向量機(jī)基本思想22
• 2.2.2 支持向量機(jī)的優(yōu)點22-23
• 2.2.3 最優(yōu)分類超平面23
• 2.2.4 線性支持向量回歸機(jī)23-25
• 2.2.5 非線性支持向量回歸機(jī)25-26
• 2.3 核函數(shù)26-29
• 2.3.1 核函數(shù)的原理27
• 2.3.2 核函數(shù)的特點27
• 2.3.3 常用核函數(shù)27-28
• 2.3.4 混和核函數(shù)28-29
• 2.4 LibSVM簡介29
• 2.5 本章小結(jié)29-30
• 第三章 基于改進(jìn)遺傳算法的支持向量機(jī)參數(shù)優(yōu)化模型30-52
• 3.1 改進(jìn)GA-SVM參數(shù)優(yōu)化模型的建立30-34
• 3.1.1 遺傳算法概念構(gòu)成要素30-32
• 3.1.2 遺傳算法流程及步驟32-33
• 3.1.3 改進(jìn)GA-SVM參數(shù)優(yōu)化模型簡介33-34
• 3.2 改進(jìn)GA-SVM參數(shù)優(yōu)化模型仿真實驗34-44
• 3.2.1 實驗環(huán)境35-36
• 3.2.2 樣本數(shù)據(jù)的選取及處理36-39
• 3.2.3 預(yù)測模型核函數(shù)選取39-41
• 3.2.4 參數(shù)設(shè)置41
• 3.2.5 實驗步驟41-44
• 3.3 GA-SVM參數(shù)優(yōu)化模型對比實驗44-47
• 3.3.1 GA-SVM模型簡介44-45
• 3.3.2 參數(shù)設(shè)置45
• 3.3.3 實驗步驟45-47
• 3.4 GS-SVM參數(shù)優(yōu)化模型對比實驗47-49
• 3.4.1 參數(shù)設(shè)置47
• 3.4.2 實驗步驟47-49
• 3.5 綜合模型對比實驗結(jié)果分析49-51
• 3.5.1 誤差的相關(guān)理論49
• 3.5.2 實驗結(jié)果分析49-51
• 3.6 本章小結(jié)51-52
• 第四章 基于混合粒子群算法的支持向量機(jī)參數(shù)優(yōu)化模型52-66
• 4.1 混合PSO-SVM參數(shù)優(yōu)化模型的建立52-60
• 4.1.1 粒子群算法的概念和原理52-55
• 4.1.2 粒子群算法改進(jìn)現(xiàn)狀55-57
• 4.1.3 粒子群算法改進(jìn)依據(jù)及相關(guān)理論介紹57-58
• 4.1.4 混合PSO-SVM參數(shù)優(yōu)化模型簡介58-60
• 4.2 混合PSO-SVM參數(shù)優(yōu)化模型仿真實驗60-62
• 4.2.1 參數(shù)設(shè)置60-61
• 4.2.2 實驗步驟61-62
• 4.3 標(biāo)準(zhǔn)PSO-SVM參數(shù)優(yōu)化模型對比實驗62-64
• 4.3.1 參數(shù)設(shè)置62-63
• 4.3.2 實驗步驟63-64
• 4.4 綜合模型對比實驗結(jié)果分析64-65
• 4.5 本章小結(jié)65-66
• 第五章 股票價格短期預(yù)測綜合模型的實現(xiàn)及結(jié)果分析66-75
• 5.1 預(yù)測模型總體設(shè)計流程及步驟66-68
• 5.2 改進(jìn)的GA-SVM回歸預(yù)測模型及對比實證分析68-71
• 5.2.1 改進(jìn)的(, , )GA-SVM回歸預(yù)測模型68-69
• 5.2.2 標(biāo)準(zhǔn)GA-SVM回歸預(yù)測模型69-70
• 5.2.3 GS-SVM回歸預(yù)測模型70-71
• 5.3 混合PSO-SVM回歸預(yù)測模型及對比實證分析71-73
• 5.3.1 混合PSO-SVM回歸預(yù)測模型71-72
• 5.3.2 標(biāo)準(zhǔn)PSO-SVM回歸預(yù)測模型72-73
• 5.4 預(yù)測模型綜合預(yù)測結(jié)果對比分析73-74
• 5.5 本章小結(jié)74-75
• 第六章 總結(jié)與展望75-78
• 6.1 全文總結(jié)75-76
• 6.2 不足與展望76-78
• 致謝78-79
• 參考文獻(xiàn)79-86
• 附錄86-113
• 在學(xué)期間發(fā)表的論著及參與的科研項目成果113

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 宋淑彩;龐慧;丁學(xué)鈞;;GA-SVM算法在文本分類中的應(yīng)用研究[J];計算機(jī)仿真;2011年01期

2 彭玉林;;支持向量機(jī)在遙感圖像分析與處理中的應(yīng)用[J];通信技術(shù);2008年09期

3 ;Parameter selection of support vector machine for function approximation based on chaos optimization[J];Journal of Systems Engineering and Electronics;2008年01期

  本文關(guān)鍵詞：基于改進(jìn)的支持向量機(jī)技術(shù)在股票短期價格預(yù)測中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

，

本文編號：383963