本文關(guān)鍵詞：基于多輸出學(xué)習(xí)的滬深300指數(shù)預(yù)測(cè)研究　出處：《計(jì)算機(jī)科學(xué)》2017年S2期 　論文類(lèi)型：期刊論文

  更多相關(guān)文章： 多輸出學(xué)習(xí) 回歸 股票預(yù)測(cè) 任務(wù)相關(guān)性

【摘要】：在股票市場(chǎng)中,人們通常會(huì)依賴(lài)于股票的歷史交易數(shù)據(jù)來(lái)進(jìn)行推測(cè)。目前采用SVM方法進(jìn)行預(yù)測(cè)的研究較多,但其模型復(fù)雜,耗時(shí)較長(zhǎng),而且通常只預(yù)測(cè)未來(lái)1天的數(shù)據(jù)。文中采用多輸出的正則化方法來(lái)預(yù)測(cè)未來(lái)多天的走勢(shì),對(duì)多任務(wù)的學(xué)習(xí)方法進(jìn)行改進(jìn),提出了一種基于多輸出的學(xué)習(xí)方法。實(shí)驗(yàn)表明,與SVM支持向量機(jī)的方法相比,該方法在滬深300指數(shù)預(yù)測(cè)的均方差值上提高了約10倍,運(yùn)行時(shí)長(zhǎng)也減少了近3/4。
[Abstract]:In the stock market , people usually rely on the historical transaction data of stock to speculate . At present , there are many researches on the SVM method , but the model is complex , time consuming is long , and usually only the data of the next one day is predicted . The method of multi - output regularization is used to forecast the future multi - day trend . The method of multi - output learning is improved . The method is improved by about 10 times on the mean square difference of the Shanghai - Shenzhen 300 index forecast , and the operation duration is reduced by nearly 3 / 4 .

【作者單位】： 解放軍理工大學(xué)指揮信息系統(tǒng)學(xué)院;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(61473149)資助
【分類(lèi)號(hào)】：F832.51;TP18
【正文快照】： 本文受?chē)?guó)家自然科學(xué)基金項(xiàng)目(61473149)資助。1簡(jiǎn)介在很多實(shí)際應(yīng)用中,我們處理的是多個(gè)相關(guān)的分類(lèi)、回歸或聚類(lèi)任務(wù)。一個(gè)非常簡(jiǎn)單的方法就是不管任務(wù)間的相關(guān)性,將這些任務(wù)按無(wú)相關(guān)性來(lái)執(zhí)行。在多任務(wù)學(xué)習(xí)中,將提取出的任務(wù)間的相關(guān)信息一起考慮。將多個(gè)相關(guān)任務(wù)同時(shí)進(jìn)行學(xué)習(xí)

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 錢(qián)曉山;;基于改進(jìn)基因表達(dá)式程序設(shè)計(jì)的股票指數(shù)預(yù)測(cè)[J];計(jì)算機(jī)工程;2009年05期

2 王天娥;葉德謙;季春蘭;;粗糙集屬性約簡(jiǎn)方法在股票預(yù)測(cè)中的應(yīng)用研究[J];計(jì)算機(jī)工程與應(yīng)用;2009年30期

3 劉軍;邱曉紅;汪志勇;楊鵬;;基于相似性最優(yōu)模塊神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)[J];江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年04期

4 魏立龍;許東方;孫浩;周明祥;;基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)在股票預(yù)測(cè)中的應(yīng)用[J];信息與電腦(理論版);2011年05期

5 林倩瑜;馮少榮;張東站;;基于神經(jīng)網(wǎng)絡(luò)和模式匹配的股票預(yù)測(cè)研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2010年05期

6 張揚(yáng)武;;基于時(shí)間序列和神經(jīng)網(wǎng)絡(luò)相結(jié)合的股票預(yù)測(cè)研究[J];電腦知識(shí)與技術(shù);2009年01期

7 智晶;張冬梅;姜鵬飛;;基于主成分的遺傳神經(jīng)網(wǎng)絡(luò)股票指數(shù)預(yù)測(cè)研究[J];計(jì)算機(jī)工程與應(yīng)用;2009年26期

8 王億楷;賴(lài)國(guó)明;;BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)及其在股票預(yù)測(cè)中的應(yīng)用[J];韓山師范學(xué)院學(xué)報(bào);2008年06期

9 王愛(ài)平;陶嗣干;王占鳳;;BP神經(jīng)網(wǎng)絡(luò)在股票預(yù)測(cè)中的應(yīng)用[J];微型機(jī)與應(yīng)用;2010年06期

10 孫偉;郭金華;夏冰;;基于RBF神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)理論探討[J];黑龍江科技信息;2010年22期

相關(guān)碩士學(xué)位論文 前6條

1 張愉;基于EEMD去噪和PSO優(yōu)化的幾類(lèi)模型在居民消費(fèi)價(jià)格指數(shù)預(yù)測(cè)中的應(yīng)用研究[D];蘭州大學(xué);2016年

2 吳濤;基于神經(jīng)網(wǎng)絡(luò)的模擬股票預(yù)測(cè)交易系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

3 回旋;模糊神經(jīng)網(wǎng)絡(luò)在股票預(yù)測(cè)中的應(yīng)用研究[D];安徽財(cái)經(jīng)大學(xué);2012年

4 紀(jì)滕;基于BP網(wǎng)絡(luò)的股票預(yù)測(cè)研究[D];昆明理工大學(xué);2014年

5 王莎;BP神經(jīng)網(wǎng)絡(luò)在股票預(yù)測(cè)中的應(yīng)用研究[D];中南大學(xué);2008年

6 范濤;基于優(yōu)化算法的股票預(yù)測(cè)研究[D];湖北工業(yè)大學(xué);2015年

，

本文編號(hào)：1380565