大數(shù)據(jù)時代,股市高頻數(shù)據(jù)幾乎包含了市場中的所有信息,基于高頻數(shù)據(jù)的分析和預測必將更具價值.目前股市研究的數(shù)據(jù)多集中于日數(shù)據(jù),缺乏對高頻數(shù)據(jù)的研究.為了加深對高頻數(shù)據(jù)的研究和數(shù)據(jù)局部信息的挖掘,提出D近鄰（Dependency Nearest Neighbor,DNN）加權(quán)算法及其參數(shù)確定方法.然后應用DNN加權(quán)算法改進ε孿生支持向量回歸機（Epsilon Twin Support Vector Re gression,ε-TSVR）,并給出了改進模型對偶問題的推導.對上證A股的日數(shù)據(jù)和分鐘數(shù)據(jù)的實證結(jié)果顯示,改進的模型對樣本點局部信息的提取十分有效.本文的主要工作包括以下三個部分:1.D近鄰加權(quán)算法的提出.DNN算法是根據(jù)每個樣本在樣本空間中所處位置來計算近鄰點.本文基于DNN算法提出DNN加權(quán)算法,該加權(quán)算法度量了樣本間的距離和樣本點密集度信息,可以更好地挖掘并保留樣本點的局部特征.接著利用網(wǎng)格搜索法確定DNN加權(quán)算法的參數(shù).然后將DNN加權(quán)算法應用于權(quán)重支持向量回歸機（Weighted Support Vector Regression,WSVR）中.UCI公用數(shù)據(jù)集和股票數(shù)據(jù)的實... 

【文章來源】：武漢理工大學湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 支持向量回歸機的研究現(xiàn)狀
        1.2.2 基于支持向量回歸機的股票預測研究現(xiàn)狀
    1.3 研究內(nèi)容及創(chuàng)新點
        1.3.1 研究內(nèi)容
        1.3.2 本文創(chuàng)新點
    1.4 本文結(jié)構(gòu)安排
第2章 統(tǒng)計學習與支持向量回歸機
    2.1 統(tǒng)計學習理論
        2.1.1 學習機器推廣能力的界
        2.1.2 結(jié)構(gòu)風險最小化歸納原則
        2.1.3 回歸算法推廣能力的界
    2.2 優(yōu)化基本理論
        2.2.1 凸二次規(guī)劃與線性規(guī)劃問題
        2.2.2 凸二次規(guī)劃與線性規(guī)劃解的充要條件
        2.2.3 Wolf對偶理論
    2.3 常用核函數(shù)
        2.3.1 核函數(shù)
        2.3.2 常用核函數(shù)
    2.4 支持向量回歸機模型
    2.5 本章小結(jié)
第3章 DNNW-SVR模型的提出及其改進
    3.1 D近鄰算法原理
    3.2 改進的DNN算法-D近鄰加權(quán)算法
    3.3 DNNW-SVR模型的提出及其改進
        3.3.1 DNNW-SVR模型
        3.3.2 DNNW-SVR模型的改進
    3.4 基于改進的DNNW-SVR模型的實證分析
        3.4.1 模型評價指標
        3.4.2 實驗分析
    3.5 本章小結(jié)
第4章 DNNW-εTSVR模型及在高頻數(shù)據(jù)上的預測
    4.1 ε-TSVR模型的建立及其求解推導
        4.1.1 線性ε-TSVR模型
        4.1.2 非線性ε-TSVR模型
    4.2 DNNW-εTSVR模型的建立及其求解推導
    4.3 DNNW-εTSVR模型在股市高頻數(shù)據(jù)上的實證分析
        4.3.1 數(shù)據(jù)來源和指標選取
        4.3.2 模型評價指標
        4.3.3 實證結(jié)果
    4.4 本章小結(jié)
第5章 結(jié)論與展望
    5.1 研究結(jié)論
    5.2 研究展望
致謝
參考文獻
攻讀碩士學位期間發(fā)表論文及參加科研項目情況
附錄


【參考文獻】：
期刊論文
[1]一種支持向量機算法設計中優(yōu)化的混合加權(quán)核函數(shù)選取與樣本加權(quán)方法[J]. 曹萬鵬,羅云彬,史輝.  小型微型計算機系統(tǒng). 2018(02)
[2]基于改進的支持向量機的股票預測方法[J]. 郝知遠.  江蘇科技大學學報(自然科學版). 2017(03)
[3]基于改進網(wǎng)格搜索算法的隨機森林參數(shù)優(yōu)化[J]. 溫博文,董文瀚,解武杰,馬駿.  計算機工程與應用. 2018(10)
[4]最小二乘孿生參數(shù)化不敏感支持向量回歸機[J]. 丁世飛,黃華娟.  軟件學報. 2017 (12)
[5]基于離散小波分解和支持向量機的股指組合預測[J]. 嚴駿宏.  統(tǒng)計與決策. 2017(03)
[6]基于PCA-FOA-SVR的股票價格預測研究[J]. 王衛(wèi)紅,卓鵬宇.  浙江工業(yè)大學學報. 2016(04)
[7]關(guān)于股票價格優(yōu)化預測的建模仿真研究[J]. 陳遠,羅必輝,蔣維琛,孫宏偉.  云南大學學報(自然科學版). 2016(04)
[8]財經(jīng)新聞與股市預測——基于數(shù)據(jù)挖掘技術(shù)的實證分析[J]. 孔翔宇,畢秀春,張曙光.  數(shù)理統(tǒng)計與管理. 2016(02)
[9]人工魚群算法優(yōu)化SVR的預測模型[J]. 高雷阜,高晶,趙世杰.  統(tǒng)計與決策. 2015(07)
[10]支持向量回歸機預測誤差校正方法[J]. 陳君,彭小奇,唐秀明,宋彥坡,劉征.  系統(tǒng)工程與電子技術(shù). 2015(08)



本文編號：3379503