隨著股票市場(chǎng)投資活動(dòng)的日益頻繁,市場(chǎng)迫切需要一種有效的預(yù)測(cè)方法以幫助人們?cè)黾油顿Y收益。股票指數(shù)的預(yù)測(cè)方法多為統(tǒng)計(jì)回歸預(yù)測(cè)法和時(shí)間序列預(yù)測(cè)法。統(tǒng)計(jì)回歸方法是反應(yīng)輸入和輸出變量之間的因果關(guān)系,本文通過(guò)SVM算法對(duì)1990年到2016年9月的上證指數(shù)進(jìn)行回歸預(yù)測(cè),為了找到最優(yōu)的回歸參數(shù)c和g,本文運(yùn)用網(wǎng)格搜索算法進(jìn)行了兩次參數(shù)尋優(yōu),回歸結(jié)果表明,本文的方法可以有效的擬合歷年的上證指數(shù),可以達(dá)到理想的預(yù)測(cè)效果。 

【文章來(lái)源】：中外企業(yè)家. 2020,(19)

【文章頁(yè)數(shù)】：3 頁(yè)

【部分圖文】：

上證指數(shù)每日的開(kāi)盤(pán)指數(shù)

證指數(shù)每日的開(kāi)盤(pán)數(shù)歸一化的結(jié)果圖

交叉驗(yàn)證是用來(lái)驗(yàn)證分類(lèi)器性能的一種統(tǒng)計(jì)方法，基本思想是把在某種意義下將原始數(shù)據(jù)進(jìn)行分組，一部分做訓(xùn)練集，一部分驗(yàn)證集。首先將上證指數(shù)的數(shù)據(jù)分為5組，將每個(gè)子集的數(shù)據(jù)做一次驗(yàn)證集，其余4組數(shù)據(jù)作為訓(xùn)練集，這樣會(huì)得到5個(gè)模型，用著五個(gè)模型最終的驗(yàn)證集的分類(lèi)準(zhǔn)確率的平均數(shù)作為分類(lèi)器的性能指標(biāo)。圖4 參數(shù)粗略選擇結(jié)果圖（3D視圖）

【參考文獻(xiàn)】：
期刊論文
[1]基于網(wǎng)格搜索優(yōu)化LSSVM蓄電池SOC估測(cè)[J]. 李韋韋,朱飛,丁維明.  電源技術(shù). 2016(01)
[2]財(cái)政透明度、財(cái)政分權(quán)與公共服務(wù)滿意度——中國(guó)微觀數(shù)據(jù)與宏觀數(shù)據(jù)的交叉驗(yàn)證[J]. 王永莉,梁城城,王吉祥.  現(xiàn)代財(cái)經(jīng)(天津財(cái)經(jīng)大學(xué)學(xué)報(bào)). 2016(01)
[3]基于改進(jìn)的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J]. 王健峰,張磊,陳國(guó)興,何學(xué)文.  應(yīng)用科技. 2012(03)
[4]RBF神經(jīng)網(wǎng)絡(luò)在股市趨勢(shì)預(yù)測(cè)中的應(yīng)用[J]. 朱赟,王行愚.  華東理工大學(xué)學(xué)報(bào). 2002(05)
[5]具有自糾錯(cuò)功能的人工神經(jīng)網(wǎng)絡(luò)在股票滾動(dòng)預(yù)測(cè)上的應(yīng)用[J]. 梁夏.  計(jì)算機(jī)應(yīng)用研究. 1999(01)

碩士論文
[1]基于時(shí)間序列和神經(jīng)網(wǎng)絡(luò)的股票指數(shù)預(yù)測(cè)研究[D]. 劉成竹.華中師范大學(xué) 2009
[2]BP神經(jīng)網(wǎng)絡(luò)在股票預(yù)測(cè)中的應(yīng)用研究[D]. 王莎.中南大學(xué) 2008



本文編號(hào)：3098560