基于改進(jìn)的支持向量機(jī)技術(shù)在股票短期價(jià)格預(yù)測(cè)中的應(yīng)用.pdf

1、股票市場(chǎng)每天產(chǎn)生大量的交易數(shù)據(jù)，這些數(shù)據(jù)往往隱藏著大量有用的信息，但卻并不輕易被人們發(fā)掘出來(lái)。隨著人們對(duì)股票歷史交易數(shù)據(jù)的依賴程度越來(lái)越高，從原始交易數(shù)據(jù)中挖掘有用信息，并準(zhǔn)確預(yù)測(cè)股票的未來(lái)走勢(shì)，幫助投資者和證券經(jīng)營(yíng)機(jī)構(gòu)或股票投資業(yè)務(wù)人員進(jìn)行科學(xué)的投資決策，降低投資風(fēng)險(xiǎn)具有重大的現(xiàn)實(shí)意義。
　　支持向量機(jī)技術(shù)是目前發(fā)展起來(lái)的新興機(jī)器學(xué)習(xí)方法，它在非線性模型識(shí)別和小樣本學(xué)習(xí)處理方面具有良好的性能，能解決常見(jiàn)的分類、回歸和分布估計(jì)問(wèn)題

2、，但它在實(shí)際應(yīng)用中也存在一些固有的問(wèn)題亟待解決。本文圍繞SVM核參數(shù)的選取及優(yōu)化問(wèn)題，在運(yùn)用遺傳算法和粒子群算法優(yōu)化SVM核參數(shù)的研究基礎(chǔ)之上，提出了改進(jìn)GA-SVM股票回歸預(yù)測(cè)模型和混合PSO-SVM股票回歸預(yù)測(cè)模型，并用上證指數(shù)樣本數(shù)據(jù)仿真驗(yàn)證。實(shí)驗(yàn)證明，改進(jìn)后的算法能取得較好的參數(shù)優(yōu)化結(jié)果和預(yù)測(cè)效果。據(jù)此，本文的創(chuàng)新點(diǎn)主要包括以下幾個(gè)部分:
　　在選取股票回歸預(yù)測(cè)模型的核函數(shù)部分，本文分別用常用的四種核函數(shù)進(jìn)行測(cè)試，并從中選

3、取均方誤差最小的核函數(shù)作為實(shí)驗(yàn)核函數(shù)。
　　在支持向量機(jī)核參數(shù)優(yōu)化部分，一方面，本文引入對(duì)SVM具有重大影響的損失函數(shù)ε到算法中，建立了基于改進(jìn)遺傳算法的(C，σ，ε)GA-SVM參數(shù)優(yōu)化模型;另一方面，本文將壓縮因子、隨機(jī)慣性權(quán)重、二階振蕩理論和遺傳算法自然選擇機(jī)理引入到標(biāo)準(zhǔn)粒子群算法中，提出了混合PSO-SVM參數(shù)優(yōu)化模型。
　　在選取實(shí)驗(yàn)的股票指標(biāo)部分，本文按照對(duì)股票次日收盤(pán)價(jià)格的影響程度，選取排名靠前的六個(gè)實(shí)驗(yàn)指標(biāo)—

4、—股票當(dāng)日收盤(pán)價(jià)、最高價(jià)、最低價(jià)、開(kāi)盤(pán)價(jià)、成交量和成交額作為研究指標(biāo)并整理分析數(shù)據(jù)，同時(shí)將排名最靠前的當(dāng)日收盤(pán)價(jià)作為輸入變量，其他指標(biāo)作為輸出變量參與模型的驗(yàn)證分析。
　　最后，本文將建立起來(lái)的兩種支持向量機(jī)參數(shù)優(yōu)化模型與(C，-)GA-SVM模型、GS-SVM模型和標(biāo)準(zhǔn)PSO-SVM模型三組模型分別通過(guò)整理后的樣本數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)預(yù)測(cè)并對(duì)比實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)結(jié)果表明經(jīng)過(guò)改進(jìn)的（C，σ，ε）GA-SVM模型和混合PSO-SVM模型相比