基于支持向量機的金融時間序列預(yù)測.pdf

1、金融時間序列的特點：(1)產(chǎn)生過程的隨機性、復(fù)雜性；(2)多數(shù)含有噪聲；(3)數(shù)據(jù)間具有較強的非線性。近年來，人們將神經(jīng)網(wǎng)絡(luò)、混沌理論、遺傳算法以及系統(tǒng)理論和當(dāng)代應(yīng)用數(shù)學(xué)研究的最新進展等諸多理論與方法應(yīng)用于金融時間序列預(yù)測已成為金融工程研究領(lǐng)域的一大熱點。雖然用于金融時間序列的預(yù)測方法很多，但由于神經(jīng)網(wǎng)絡(luò)作為一種通用函數(shù)逼近器可以以任意精度近似任意的非線性函數(shù)和動態(tài)系統(tǒng)，是高度非線性對象建模的有力工具。因此目前在該領(lǐng)域研究中仍以神經(jīng)網(wǎng)絡(luò)

2、方法為主。盡管神經(jīng)網(wǎng)絡(luò)技術(shù)取得了很大進步，但仍有一些不易解決的難題：如難以確定神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點數(shù)、存在過學(xué)習(xí)現(xiàn)象、訓(xùn)練過程中存在局部極小問題等。因此，Vapnik等人根據(jù)統(tǒng)計學(xué)習(xí)理論提出的一種機器學(xué)習(xí)方法-支持向量機(Support Vector Machines，SVM)，它是建立在VC維和結(jié)構(gòu)風(fēng)險最小化原則基礎(chǔ)上的，利用核函數(shù)把非線性可分數(shù)據(jù)映射到高維特征空間，使其在高維特征空間中線性可分。同時，利用核函數(shù)計算內(nèi)積可避免“維數(shù)災(zāi)難

3、”。由于支持向量機具有較好的泛化性和學(xué)習(xí)性能，該技術(shù)已成為機器學(xué)習(xí)的研究熱點，并在很多領(lǐng)域得到成功應(yīng)用，如模式識別、圖像分類等方面。到目前，支持向量機方法主要應(yīng)用于解決分類和回歸問題，但很少應(yīng)用于時間序列預(yù)測。因此，本文將支持向量機方法應(yīng)用于金融時間序列的預(yù)測，使其應(yīng)用得到更好的推廣。
　　 本文緒論介紹了支持向量機的研究現(xiàn)狀和研究價值。第二章介紹時間序列預(yù)測的異方差模型，成為第五章預(yù)測金融時間序列的理論基礎(chǔ)。第三章介紹了統(tǒng)計學(xué)

4、習(xí)的一般理論，包括機器學(xué)習(xí)、優(yōu)化問題以及對偶問題。第四章詳細介紹了支持向量機算法的基本理論，簡單介紹了支持向量分類算法，包括線性可分、線性不可分以及一類分類算法，并詳細介紹了支持向量的回歸算法。本章為論文的重要理論部分，通過本章的理論學(xué)習(xí)，編寫運行程序，再應(yīng)用到實際預(yù)測中，會有很好的效果。第五章是理論的應(yīng)用部分，通過建立適當(dāng)?shù)哪Ｐ?，選擇合理的參數(shù)，將處理過的金融數(shù)據(jù)按照實驗步驟，進行實驗，最終得出具有應(yīng)用價值的預(yù)測數(shù)據(jù)。本文的實驗主要針