在線選擇的SVM及其在股票預(yù)測中的應(yīng)用.pdf

1、股票市場是一個復(fù)雜的非線性動態(tài)系統(tǒng)，利用傳統(tǒng)的時間序列預(yù)測技術(shù)很難揭示其內(nèi)在的規(guī)律。目前，關(guān)于股市預(yù)測的研究方法仍然以神經(jīng)網(wǎng)絡(luò)和時間序列為主。并且，這些方法基本上采用的是通過批量學(xué)習(xí)建立靜態(tài)模型的方法。對于類似股票指數(shù)的非線性時間序列，隨著新樣本的不斷獲得，如果能根據(jù)新樣本實(shí)現(xiàn)模型動態(tài)更新，則能夠適應(yīng)問題的變化，提高預(yù)測精度；如果能實(shí)現(xiàn)增量學(xué)習(xí)，則能避免大量樣本的重復(fù)訓(xùn)練，縮短訓(xùn)練時間，提高訓(xùn)練效率。 本論文在研究了股票數(shù)據(jù)的特

2、點(diǎn)以及人們對股票預(yù)測的研究結(jié)果后，根據(jù)傳統(tǒng)的SVM算法原理，提出了一種動態(tài)選擇訓(xùn)練樣本的在線增量訓(xùn)練的方式完成模型的更新的動態(tài)預(yù)測模型(DMDI)，將以僅增加較小工作量為代價而獲得更高的預(yù)測精度成為可能。 我們應(yīng)用這個基于SVM的動態(tài)預(yù)測模型(DMDI)，對股市的大盤和個股的走勢(漲或跌)以及股票指數(shù)分別進(jìn)行中短期預(yù)測，并跟神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行了比較。大量數(shù)值實(shí)驗(yàn)表明，DMDI模型比不進(jìn)行選擇的靜態(tài)模型和神經(jīng)網(wǎng)絡(luò)模型對股票走勢