基于ARIMA-LSSVM混合模型的股指預測研究.pdf

1、在許多領(lǐng)域，對時間序列的研究顯得十分重要，提高預測精度能夠為決策者提供有價值的參考。從時間序列分析的角度對股指進行預測研究能夠幫助投資者制定投資策略，獲得穩(wěn)定收益。在傳統(tǒng)的時間序列模型中，ARIMA模型一直是最廣泛使用的線性模型之一。但是，ARIMA模型不能捕捉時間序列中的非線性模式。SVM是以VC維理論和結(jié)構(gòu)風險最小化原則為基礎(chǔ)，在統(tǒng)計學習理論基礎(chǔ)上發(fā)展而來的一種新的機器學習方法。它已成功地解決許多非線性回歸估計問題。LSSVM對標準

2、 SVM進行改進，將標準 SVM求解中的二次規(guī)劃問題轉(zhuǎn)化為相對簡單的線性問題，減少了運算量，提高了模型求解的速度。整合不同的模型是提高預測精度的有效途徑，特別是當組合中的模型表現(xiàn)出很大的差異性時。
　　上證180股指是我國證券市場的主要指數(shù)之一。股指時間序列受多種因素的影響，其中的線性成分和非線性成分復雜地交織在一起。本文對上證180股指序列進行ARIMA建模之后，基于Khashei的建模思想，并結(jié)合上證180股指序列的特征，構(gòu)建

3、一種新型的融合 ARIMA和LSSVM的混合模型對股指收盤價進行預測。將本文構(gòu)建的ARIMA-LSSVM混合模型與單一的模型、傳統(tǒng)的混合模型、BP神經(jīng)網(wǎng)絡(luò)、ARIMA-BP混合模型的預測效果進行對比分析，利用均方誤差根（RMSE）和平均絕對百分比誤差（MAPE）兩種指標對不同模型預測精度進行度量，RMSE度量實際值與預測值之間的絕對誤差，MAPE度量實際值與預測值之間的相對誤差。
　　實證結(jié)果表明，本文構(gòu)建的ARIMA-LSSVM