股票市場對(duì)國家經(jīng)濟(jì)發(fā)展有著舉足輕重的意義,對(duì)經(jīng)濟(jì)發(fā)展發(fā)揮著重要作用。對(duì)股票價(jià)格的預(yù)測(cè)研究無論是對(duì)個(gè)人和企業(yè)的投資者以及政府有關(guān)部門制定相關(guān)經(jīng)濟(jì)政策都有著重要的意義。隨著統(tǒng)計(jì)機(jī)器學(xué)習(xí)領(lǐng)域的發(fā)展,各種智能算法也不斷涌現(xiàn)。從股票價(jià)格的特點(diǎn)來看,它在短期具有很大的不確定性,但是在長期趨勢(shì)上則符合統(tǒng)計(jì)學(xué)規(guī)律。因此,在有限樣本的情況下,通過機(jī)器學(xué)習(xí)算法來預(yù)測(cè)股票價(jià)格,是股票預(yù)測(cè)研究中的一個(gè)重要發(fā)展方向。其中,支持向量機(jī)（SVM）方法有著很強(qiáng)的優(yōu)勢(shì),它對(duì)樣本量的要求不大,能解決非線性問題,推廣能力強(qiáng)。因此,本文以支持向量機(jī)方法為核心,在進(jìn)行特征提取的基礎(chǔ)之上建立了進(jìn)行支持向量機(jī)核參數(shù)尋優(yōu)的預(yù)測(cè)模型,獲得了較好的預(yù)測(cè)結(jié)果。具體研究內(nèi)容如下:1.針對(duì)上證指數(shù)技術(shù)指標(biāo)數(shù)據(jù),使用PCA方法對(duì)原始數(shù)據(jù)進(jìn)行主成分分析,將46個(gè)技術(shù)指標(biāo)作為輸入特征進(jìn)行相關(guān)性分析后剔除高相關(guān)特征實(shí)現(xiàn)降維,將共計(jì)754天的指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理后進(jìn)行標(biāo)簽,繼而用主成分分析得到累計(jì)方差貢獻(xiàn)率超過85%的5個(gè)主成分和接近99%的18個(gè)主成分作為支持向量機(jī)的輸入特征數(shù)據(jù);2.在支持向量機(jī)訓(xùn)練過程中,本文分別使用了遺傳算法、粒子群算法和人工... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

研究思路圖

圖 2.2 線性可分情況下的多解性Fig.2.2 Multiplicity in the case of linear separability在 -間隔分類超平面上 VC 維存在上界的定理：則間隔 -分類超平面集合的 VC 維 h 將存在誤差的經(jīng)驗(yàn)風(fēng)險(xiǎn)下，通過選擇構(gòu)造間隔面的距離，也就集的 VC 維，也就是結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則。本是線性可分的情況下，支持向量機(jī)的設(shè)計(jì)思想為本點(diǎn)正確分離，也以此得到最大的分類間隔。在此平面歸一化：令 1，同時(shí)w和b 可以按照比例持向量）應(yīng)滿足：( w x b) 1i當(dāng) y 1( w x b) 1i當(dāng) y 1

iiiy ( w x b) 1 1 函數(shù)引入懲罰項(xiàng)C： liiwwC1221( , ) 規(guī)劃問題時(shí)推導(dǎo)得到的 Wolfe 對(duì)偶問題與式（2-7）原理可分問題本身是線性不可分的情況時(shí)，就無法直接使用超平面進(jìn)有學(xué)者引入了核函數(shù)這一概念，其基本思想為：在非線其從低維空間映射到高維空間，從而達(dá)到線性可分。因在原樣本空間中進(jìn)行，明顯降低了在核函數(shù)映射之后處度。如圖 2.3 所示，但是，支持向量機(jī)沒有直接進(jìn)行復(fù)達(dá)到復(fù)雜度的降低。


本文編號(hào)：3379875