預(yù)測問題一直以來都是學(xué)者們研究的重點,隨著人工智能的迅速發(fā)展,越來越多的學(xué)者將機器學(xué)習(xí)運用到預(yù)測研究中,并嘗試改進優(yōu)化算法以提高預(yù)測精度。其中SVM（支持向量機）作為機器學(xué)習(xí)的代表,能較好的解決非線性和高維數(shù)等問題,在預(yù)測方面具有較大的優(yōu)勢。LSSVM（最小二乘支持向量機）是一種基于SVM的改進算法,將二次規(guī)劃問題轉(zhuǎn)化為線性求解,大大簡化了SVM的求解過程,加快了求解速度。Markov（馬爾科夫）模型是一種簡單有效的模型,其表現(xiàn)為將來的狀態(tài)只與現(xiàn)在的狀態(tài)有關(guān),而與過去的狀態(tài)無關(guān),對于隨機動態(tài)非線性的數(shù)據(jù)有較好的預(yù)測能力。LSSVM模型和Markov模型都被廣泛的運用到經(jīng)濟金融的預(yù)測當(dāng)中,但單個模型在預(yù)測中都存在著預(yù)測精度低的問題。而將合適的不同預(yù)測模型進行組合優(yōu)化,是提高模型預(yù)測精度的一種有效方法。因此本文為了提高單一模型——LSSVM模型和Markov模型的預(yù)測精度,以預(yù)測上證綜合指數(shù)價格為背景,提出了LSSVM-Markov組合模型。首先優(yōu)化LSSVM模型,其次為了減小模型的預(yù)測誤差,利用Markov模型對LSSVM模型的預(yù)測誤差值進行修正。本文的主要研究內(nèi)容如下:（1）對LSSV... 

【文章來源】：江西財經(jīng)大學(xué)江西省

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

線性可分的SVM模型

2LSSVM與Markov模型13的二次規(guī)劃來實現(xiàn)：11111max(),2..0,1,,,0.nnniijijijiijiniiiyyxxstCiny======（2.11）當(dāng)訓(xùn)練集為非線性時，如圖所示，給定的樣本11（x,y)，22（x,y)，…，,)ii（xy，nxR，無法找到線性分類超平面。如果在原始空間中的最優(yōu)分類面得不到較為滿意的分類結(jié)果，則可以將非線性變換轉(zhuǎn)化到某個高維空間變成線性問題，再來求解最優(yōu)分類面，如圖2.2所示。此過程可能比較復(fù)雜，不太容易實現(xiàn)，因此可以通過引入核函數(shù)來解決這個問題。圖2.2二維空間非線性映射到三維空間線性可分所以對于線性不可分的問題，解決思路就是將樣本集通過核函數(shù)映射到高維數(shù)據(jù)空間，使得樣本集在高維數(shù)據(jù)空間的像是線性可分的。如果將樣本點通過非線性映射到高維特征空間中，在此空間中存在著最優(yōu)的超平面。超平面進行運算時，只能在空間中進行點積計算，但是如果存在這樣一個函數(shù)，讓高維空間中的內(nèi)積運算使用輸入空間中的函數(shù)實現(xiàn)，我們也可以不用確定變換的過程中函數(shù)的具體形式是什么。基于此，需要引入合適的核函數(shù)，這樣可以與高維空間中的內(nèi)積進行對應(yīng)，從而完成復(fù)雜的運算過程。所以核函數(shù)可以將非線性分類轉(zhuǎn)化成線性分類問題。減少了運算難度，加快了求解過程。則目標(biāo)函數(shù)式（2.5）可以轉(zhuǎn)化為：1111()(,)2nnniijijijiijTyyKxx====,（2.12）

基于LSSVM-Markov組合模型的股價預(yù)測研究24（2）數(shù)據(jù)預(yù)處理為了提高數(shù)據(jù)的質(zhì)量，減少數(shù)據(jù)之間的數(shù)量級差異，使模型的預(yù)測效果更好，本文首先對數(shù)據(jù)進行預(yù)處理即歸一化處理。（3）核函數(shù)選擇通過介紹模型常用的幾類核函數(shù)，如線性、多項和高斯核函數(shù)等，通過分析對比選取最優(yōu)的核函數(shù)。（4）參數(shù)尋優(yōu)利用網(wǎng)格搜索法和粒子群法算法進行參數(shù)尋優(yōu)，對比確定最優(yōu)參數(shù)。（5）預(yù)測結(jié)果及模型評價得到最優(yōu)參數(shù)，建立預(yù)測模型，將最優(yōu)參數(shù)的模型樣本測試得到預(yù)測結(jié)果，并對結(jié)果及模型進行分析評價。3.2數(shù)據(jù)來源及數(shù)據(jù)處理3.2.1數(shù)據(jù)來源本文從雅虎財經(jīng)網(wǎng)2在線提取最能反映中國股票市場整體變動情況的上證指數(shù)（000001）從2018年1月2日到2019年8月1日，總共383個交易日。每個交易日內(nèi)上證指數(shù)的五個指標(biāo)的具體數(shù)據(jù)，包括開盤價、最高價、最低價、成交量和收盤價。股票趨勢圖如下圖所示，從圖中可以看出股票的數(shù)據(jù)波動幅度大具有一定的隨機性，且股票是非線性的，每天、每周和每年的數(shù)據(jù)呈一定的規(guī)律在變化，在不穩(wěn)定變化中又具有一定的重復(fù)性，受不同因素的影響股票的變化趨勢十分的復(fù)雜，也具有一定的不穩(wěn)定性。圖3.2上證指數(shù)股票數(shù)據(jù)圖2雅虎財經(jīng)網(wǎng)：https://finance.yahoo.com/

【參考文獻】：
期刊論文
[1]背景值優(yōu)化的灰色馬爾科夫模型在鐵路客流預(yù)測中的應(yīng)用[J]. 馬彩雯,王曉明.  大連交通大學(xué)學(xué)報. 2019(01)
[2]利用馬爾科夫和灰色模型預(yù)測高校師資隊伍[J]. 王韋霞.  安慶師范大學(xué)學(xué)報(自然科學(xué)版). 2018(04)
[3]一種基于Opinosis圖和馬爾科夫隨機游走模型的多文本情感摘要框架[J]. 康世澤,馬宏,黃瑞陽.  電子學(xué)報. 2017(12)
[4]基于粒子群優(yōu)化的最小二乘支持向量機稅收預(yù)測模型研究[J]. 張淑娟,鄧秀勤,劉波.  計算機科學(xué). 2017(S1)
[5]基于網(wǎng)格搜索算法的PCNN模型參數(shù)自適應(yīng)[J]. 李瀚,楊曉峰,鄧紅霞,常莎,李海芳.  計算機工程與設(shè)計. 2017(01)
[6]基于布谷鳥算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的股價預(yù)測[J]. 孫晨,李陽,李曉戈,于嬌艷.  計算機應(yīng)用與軟件. 2016(02)
[7]基于改進GA參數(shù)優(yōu)化的SVR股價預(yù)測模型[J]. 孫秋韻,劉金清,劉引,吳慶祥.  計算機系統(tǒng)應(yīng)用. 2015(09)
[8]基于參數(shù)優(yōu)化的最小二乘支持向量機HEV閥控鉛酸蓄電池SOC預(yù)測[J]. 王琪,孫玉坤,黃永紅.  中南大學(xué)學(xué)報(自然科學(xué)版). 2015(01)
[9]基于黑洞算法的LSSVM的參數(shù)優(yōu)化[J]. 王通,高憲文,蔣子健.  東北大學(xué)學(xué)報(自然科學(xué)版). 2014(02)
[10]基于粒子群優(yōu)化偏最小二乘支持向量機的我國稅收收入預(yù)測研究[J]. 侯利強,楊善林,王曉佳.  中國管理科學(xué). 2013(S1)

博士論文
[1]魯棒最小二乘支持向量機研究與應(yīng)用[D]. 劉京禮.中國科學(xué)技術(shù)大學(xué) 2010
[2]企業(yè)財務(wù)困境的預(yù)測方法研究[D]. 徐曉燕.中國科學(xué)技術(shù)大學(xué) 2006

碩士論文
[1]滬深300股指預(yù)測[D]. 李冰.暨南大學(xué) 2018
[2]基于最小二乘支持向量機和馬爾科夫模型的混合模型研究[D]. 程麗娟.蘭州交通大學(xué) 2018
[3]基于最小二乘支持向量機方法的統(tǒng)計優(yōu)化預(yù)測模型[D]. 沈會.武漢理工大學(xué) 2018
[4]馬爾科夫鏈問題算法研究[D]. 唐小勇.電子科技大學(xué) 2015
[5]基于最小二乘—馬爾科夫鏈模型的產(chǎn)品回收預(yù)測研究[D]. 王磊.河北科技大學(xué) 2013
[6]時間序列ARCH模型在金融領(lǐng)域的研究[D]. 孫星.蘇州大學(xué) 2013
[7]基于最小二乘支持向量機的時態(tài)數(shù)據(jù)預(yù)測研究及應(yīng)用[D]. 吳琳.東北財經(jīng)大學(xué) 2011
[8]基于k-means聚類馬氏鏈的中國股市實證分析[D]. 孫永發(fā).華南理工大學(xué) 2011



本文編號：3346349