基于改進的支持向量機技術(shù)在股票短期價格預(yù)測中的應(yīng)用.pdf

1、股票市場每天產(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。隨著人們對股票歷史交易數(shù)據(jù)的依賴程度越來越高，從原始交易數(shù)據(jù)中挖掘有用信息，并準確預(yù)測股票的未來走勢，幫助投資者和證券經(jīng)營機構(gòu)或股票投資業(yè)務(wù)人員進行科學的投資決策，降低投資風險具有重大的現(xiàn)實意義。
　　支持向量機技術(shù)是目前發(fā)展起來的新興機器學習方法，它在非線性模型識別和小樣本學習處理方面具有良好的性能，能解決常見的分類、回歸和分布估計問題

2、，但它在實際應(yīng)用中也存在一些固有的問題亟待解決。本文圍繞SVM核參數(shù)的選取及優(yōu)化問題，在運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GA-SVM股票回歸預(yù)測模型和混合PSO-SVM股票回歸預(yù)測模型，并用上證指數(shù)樣本數(shù)據(jù)仿真驗證。實驗證明，改進后的算法能取得較好的參數(shù)優(yōu)化結(jié)果和預(yù)測效果。據(jù)此，本文的創(chuàng)新點主要包括以下幾個部分:
　　在選取股票回歸預(yù)測模型的核函數(shù)部分，本文分別用常用的四種核函數(shù)進行測試，并從中選

3、取均方誤差最小的核函數(shù)作為實驗核函數(shù)。
　　在支持向量機核參數(shù)優(yōu)化部分，一方面，本文引入對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、隨機慣性權(quán)重、二階振蕩理論和遺傳算法自然選擇機理引入到標準粒子群算法中，提出了混合PSO-SVM參數(shù)優(yōu)化模型。
　　在選取實驗的股票指標部分，本文按照對股票次日收盤價格的影響程度，選取排名靠前的六個實驗指標—

4、—股票當日收盤價、最高價、最低價、開盤價、成交量和成交額作為研究指標并整理分析數(shù)據(jù)，同時將排名最靠前的當日收盤價作為輸入變量，其他指標作為輸出變量參與模型的驗證分析。
　　最后，本文將建立起來的兩種支持向量機參數(shù)優(yōu)化模型與(C，-)GA-SVM模型、GS-SVM模型和標準PSO-SVM模型三組模型分別通過整理后的樣本數(shù)據(jù)進行仿真實驗預(yù)測并對比實驗結(jié)果。實驗結(jié)果表明經(jīng)過改進的（C，σ，ε）GA-SVM模型和混合PSO-SVM模型相比