基于支持向量機的中國股市波動率預測研究.pdf

1、波動率作為度量股市風險的重要工具之一，一直受到學界和業(yè)界的廣泛重視，而對波動率的預測研究主要集中在統(tǒng)計方法和人工智能方法方面。最近，支持向量機(SVM，SupportVector Machine)作為一種新的機器學習方法，由于其在模式識別和函數(shù)回歸方面的不俗表現(xiàn)，得到了國內(nèi)外學者的廣泛關(guān)注。
　　 支持向量回歸建立在結(jié)構(gòu)風險最小化原則的基礎(chǔ)上，它既考慮了訓練樣本的擬合性又考慮了訓練樣本的復雜性，具有較好的擬合效果。但模型中的參數(shù)

2、選擇是很重要的，它將直接影響到它的泛化效果，但目前還沒有通用的參數(shù)選擇方法。
　　 本文在對現(xiàn)有的SVM參數(shù)選擇方法進行研究的基礎(chǔ)上，提出了一種基于二次自適應調(diào)整的混沌粒子群優(yōu)化算法(Double Adaptive Chaotic Particle Swarm Optimization，DACPSO)的參數(shù)選擇方法。粒子群優(yōu)化(PSO)算法是一種較新的群集智能方法，它同遺傳算法類似，是一種基于迭代的優(yōu)化工具，系統(tǒng)初始化為一組隨機

3、解，通過迭代搜索最優(yōu)值。
　　 然后建立基于SVM的波動率預測建模一般框架，對波動率的估計模型和最優(yōu)時間間隔進行了研究，得出了有效的波動率估計方法，為提高模型的學習訓練效果與預測精度提供了條件。
　　 最后，基于SVM模型對中國不同階段的股市波動率進行了預測研究，并對預測結(jié)果做了相應的分析與比較，結(jié)果表明應用了基于DACPSO的支持向量回歸算法的參數(shù)選擇方法后，模型預測精度有所提高，對混沌粒子群優(yōu)化算法進行二次自適應調(diào)整