基于支持向量機(jī)回歸與學(xué)習(xí)的金融數(shù)據(jù)預(yù)測(cè)與分類.pdf

1、隨著信息科技的發(fā)展,金融數(shù)據(jù)處理問題已經(jīng)不僅僅拘泥于傳統(tǒng)的數(shù)理統(tǒng)計(jì)方法,而更多的與人工智能領(lǐng)域的信息處理方法相結(jié)合,并取得了一些有開拓意義的研究成果。特別是支持向量機(jī)理論的崛起,為金融數(shù)據(jù)問題提供了一種新的解決方法。本文的主要工作有以下三方面:
　　1.建立了一個(gè)基于核主成分分析與支持向量機(jī)的股票預(yù)測(cè)模型,選取了納斯達(dá)克指數(shù)、標(biāo)準(zhǔn)普爾指數(shù)、倫敦金融時(shí)報(bào)100指數(shù)、法蘭克福指數(shù)、東京日經(jīng)225指數(shù)和香港恒生指數(shù)等10種全球股票市場(chǎng)的

2、核心指數(shù)十年的數(shù)據(jù)作為原始數(shù)據(jù),將數(shù)據(jù)進(jìn)行時(shí)間序列處理后,利用支持向量回歸機(jī)對(duì)指數(shù)進(jìn)行預(yù)測(cè),取得了良好的效果。對(duì)比實(shí)驗(yàn)中將特征提取方法PCA與KPCA進(jìn)行對(duì)比,結(jié)果說明經(jīng)過特征提取后的數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確率要高于不經(jīng)過特征提取的數(shù)據(jù);而KPCA在對(duì)股票數(shù)據(jù)進(jìn)行重構(gòu)和特征提取時(shí),性能要優(yōu)于PCA。
　　2.建立了一個(gè)基于核主成分分析和稀疏的最小二乘支持向量機(jī)的上市公司分類模型,并對(duì)2004家上市公司進(jìn)行了分類及績(jī)效評(píng)價(jià)。最小二乘支持向量機(jī)

3、具有快速的特點(diǎn),但是卻缺少了稀疏性。本文中引入了稀疏的最小二乘支持向量機(jī)來彌補(bǔ)最小二乘支持向量機(jī)的缺點(diǎn),這使得計(jì)算復(fù)雜度更低、準(zhǔn)確率更高。與其他模型不同是,本文提出了一個(gè)多分類的模型,將上市公司分為四類,這與真實(shí)情況更為相符,同時(shí)實(shí)驗(yàn)結(jié)果也表明,該模型預(yù)測(cè)準(zhǔn)確率最高可以達(dá)到82％。對(duì)比實(shí)驗(yàn)中,比較了不同特征提取方法對(duì)模型的影響,實(shí)驗(yàn)結(jié)果表明KPCA的性能最好。
　　3.在金融大數(shù)據(jù)的背景下,第一次將深度信任網(wǎng)絡(luò)用于金融數(shù)據(jù)的分類。