基于小波變換和支持向量機(jī)的非平穩(wěn)時(shí)間序列預(yù)測(cè)——以滬深300指數(shù)為例.pdf

1、股票指數(shù)的預(yù)測(cè)是一個(gè)受多因素影響，指數(shù)動(dòng)態(tài)波動(dòng)的非線性復(fù)雜系統(tǒng)。股票指數(shù)的準(zhǔn)確預(yù)測(cè)能夠?yàn)樽C券投資決策提供參考依據(jù)。伴隨著計(jì)算機(jī)軟硬件系統(tǒng)的發(fā)展，機(jī)器學(xué)習(xí)方法越來越多被應(yīng)用到社會(huì)發(fā)展的各個(gè)行業(yè)。在股票指數(shù)預(yù)測(cè)方面，當(dāng)前預(yù)測(cè)方法已逐步從傳統(tǒng)統(tǒng)計(jì)分析方法向人工智能分析方法進(jìn)行轉(zhuǎn)變。
　　本文應(yīng)用小波分析對(duì)滬深300指數(shù)的開盤價(jià)進(jìn)行重構(gòu)分解替換原樣本數(shù)據(jù)中的開盤價(jià)，構(gòu)建兩個(gè)不同的樣本數(shù)據(jù)，采用支持向量機(jī)回歸(SVR)模型預(yù)測(cè)了滬深300指

2、數(shù)的開盤價(jià)，SVR模型參數(shù)的優(yōu)選通過網(wǎng)格搜索法(GRID)、粒子群算法(PSO)和遺傳算法(GA)來調(diào)試。結(jié)果表明，基于原樣本數(shù)據(jù)建立的三種支持向量機(jī)預(yù)測(cè)模型均能全面反映股票指數(shù)的時(shí)變規(guī)律，并具有較高的預(yù)測(cè)精度。其中，遺傳算法-支持向量機(jī)回歸(GA-SVR)模型得到最小均方根誤差(RMSE)為14.730，最小平均絕對(duì)百分比誤差(MAPE)為0.375％。
　　在此基礎(chǔ)上，根據(jù)滬深300指數(shù)的開盤價(jià)走勢(shì)，將SVR建模數(shù)據(jù)分成平穩(wěn)段

3、市場(chǎng)、漲跌段市場(chǎng)和波動(dòng)段市場(chǎng)，分別對(duì)分段樣本進(jìn)行支持向量機(jī)回歸預(yù)測(cè)，通過比較模型預(yù)測(cè)結(jié)果優(yōu)選每個(gè)分段樣本的最優(yōu)模型。平穩(wěn)市場(chǎng)的預(yù)測(cè)結(jié)果分析中，網(wǎng)格搜索法-支持向量機(jī)回歸(GRID-SVR)模型的預(yù)測(cè)精度最高，其RMSE為5.650，MAPE是0.197%。漲跌市場(chǎng)的預(yù)測(cè)結(jié)果表明，基于含小波分解重構(gòu)序列的樣本數(shù)據(jù)建立的網(wǎng)格搜索法-支持向量機(jī)回歸(WT-GRID-SVR)模型預(yù)測(cè)表現(xiàn)最好，(RMSE,MAPE)的值分別為(20.727,0.