支持向量機(jī)多分類(lèi)方法研究及其在基金評(píng)價(jià)中的應(yīng)用.pdf

1、支持向量機(jī)是基于統(tǒng)計(jì)學(xué)習(xí)理論解決機(jī)器學(xué)習(xí)問(wèn)題的一種新工具，它最初由Vapnik及其同事于20世紀(jì)90年代提出，隨著統(tǒng)計(jì)學(xué)習(xí)理論的完善，近年來(lái)其在算法研究及實(shí)際應(yīng)用方面都取得了突破性進(jìn)展，其中多分類(lèi)支持向量機(jī)的研究更是當(dāng)前的熱點(diǎn)。
　　本文所做的主要工作有:
　　一、對(duì)支持向量機(jī)多分類(lèi)算法的理論基礎(chǔ)與算法思想進(jìn)行了總體闡述，并對(duì)各種多分類(lèi)算法的性能進(jìn)行對(duì)比研究。針對(duì)現(xiàn)有多分類(lèi)算法存在“拒分區(qū)域”、SVM“錯(cuò)誤累積效應(yīng)”的不足，

2、提出了改進(jìn)后的基于二叉樹(shù)的多分類(lèi)支持向量機(jī)。本文創(chuàng)新性的引入了類(lèi)分散度的概念，構(gòu)造最佳分類(lèi)順序二叉樹(shù)結(jié)構(gòu)，改進(jìn)現(xiàn)有算法在推廣能力方面的缺陷，經(jīng)過(guò)算法實(shí)現(xiàn)并帶入U(xiǎn)CI數(shù)據(jù)集驗(yàn)證，新算法在分類(lèi)精度和時(shí)間上表現(xiàn)出優(yōu)于傳統(tǒng)的OAA-SVMs、OAO-SVMs、DT-SVMs算法。
　　二、詳細(xì)總結(jié)了國(guó)內(nèi)外現(xiàn)有基金評(píng)級(jí)方法，介紹比較經(jīng)典的基金評(píng)價(jià)方法體系，并對(duì)現(xiàn)有的評(píng)價(jià)體系的優(yōu)缺點(diǎn)進(jìn)行總結(jié)評(píng)述。
　　三、建立基于多分類(lèi)支持向量機(jī)的基金

3、評(píng)價(jià)模型。以基金各項(xiàng)評(píng)價(jià)指標(biāo)作為輸入向量，使用主成分分析法進(jìn)行特征提取，并選擇適當(dāng)?shù)暮撕瘮?shù)及通過(guò)交叉驗(yàn)證獲得最佳模型參數(shù)，對(duì)訓(xùn)練集進(jìn)行訓(xùn)練得到分類(lèi)函數(shù)，再使用預(yù)測(cè)樣本集進(jìn)行驗(yàn)證分析得到預(yù)測(cè)樣本基金的評(píng)級(jí)。此外，本文使用兩種多分類(lèi)支持向量機(jī)算法——OAA-SVMs與改進(jìn)DT-SVMs進(jìn)行基金評(píng)價(jià)實(shí)證分析，分類(lèi)準(zhǔn)確度最高達(dá)到80％。結(jié)果表明支持向量機(jī)方法對(duì)我國(guó)基金業(yè)績(jī)?cè)u(píng)價(jià)有良好的可行性和有效性，并且改進(jìn)DT-SVMs在分類(lèi)精度和分類(lèi)時(shí)間上都