基于支持向量機的金融時序數據預測算法研究.pdf

1、在金融時序數據預測方面,為了達到風險結構最小化,在1995年Vapnik提出支持向量機模型。置信區(qū)間和經驗風險的兩方面影響能被向量機的風險最小化理論兼顧了,不單單是對經驗風險尋求最小化。因此,它在和神經網絡模型進行對比時,其表現更為優(yōu)良。支持向量機的優(yōu)勢不止如此,它在進行訓練模型時,計算難易度與傳統(tǒng)不同,不依賴于輸入信息的維數。支持向量機起初廣泛地用在機器學習、模式識別等相關領域,非線性回歸問題在近年來也開始運用支持向量機。
　　

2、目前有很多研究表明,在預測金融時序的領域,輸入與輸出兩個變量的關系不是固定的,兩者總是隨著時間的變化而變化,在預測問題中,近期的數據相對于遠期的數據,其包含信息多得多,由此自然的想法是對于近期的信息賦予更高的權重。本文選取股票開盤指數作為金融時序數據的特列進行預測與分析。
　　股票是與廣大人民群眾的生活以及社會經濟發(fā)展息息相關的,因此股票預測在社會生活中有著非常重要的實際意義。
　　本文的股票預測系統(tǒng)主要是用兩種算法來實現對

3、股票開盤指數的預測。第一種算法是支持向量機的回歸預測算法,根據股票數據特征值建立一個模型,然后利用該模型進行股票開盤指數的預測,最后與真實結果相對比。第二種算法是支持向量機時序回歸預測,該算法不考慮股票的數據特征值,僅把時間作為自變量,然后把時間信息?；?每個時間信息粒包含最低值,最高值和平均值,根據時間序列預測股票的波動區(qū)間。
　　兩種算法各有特點,第一個算法考慮的特征因素較多,預測的準確率相對較高;而第二種算法則通過信息?；?/p>