学位论文 > 优秀研究生学位论文题录展示

基于支持向量回归机的股价预测研究

作　者: 蔡国成
导　师: 王晓耘
学　校: 杭州电子科技大学
专　业: 管理科学与工程
关键词: 支持向量回归机相关分析灵敏度分析主成分分析自组织特征映射神经网络
分类号: F832.51
类　型: 硕士论文
年　份: 2009年
下　载: 218次
引　用: 0次
阅　读: 论文下载

内容摘要

随着经济社会的发展,以及人们投资意识的增强,人们越来越多的参与到股票市场的经济活动中,股票投资也已经成为人们生活的一个重要组成部分。但是股票市场的高回报伴随着的是高风险,因此对于股票市场的预测研究具有极为重要的经济意义。然而在股票市场中,首先面对的是众多的指标、众多的信息,很难找出对股价更为关键的因素;其次股市结构极为复杂,影响因素具有多样性、相关性。这导致了很难找出股市内在的模式。现有的分析预测方法在预测应用中往往效果并不是很理想。支持向量机是一种新兴的技术,借助于最优化理论、对偶理论等,采用结构风险最小化、核函数等方法来解决分类问题,有着较好的分类、回归和泛化性能。支持向量回归机就是在支持向量机的基础上产生的,专门用于处理回归问题的方法。近年来一些学者将其运用与股市预测并取得较好的预测效果。本文从更好的结合股票市场的特点以及更充分的更合理的利用信息的角度出发,建立了基于支持向量回归机的预测模型,并以中国联通(600050)和新五丰(600975)数据为例进行了预测验证。本文分析对比了现有股市预测方法,提出采用基于支持向量回归机的方法进行预测。为了更充分更合理的利用信息,在尽可能全面的收集股市信息的基础上,利用相关系数来进行线性相关分析,接着并利用散点图进行简单的非线性相关分析,然后进行灵敏度分析,去除各个相关性较少的因素,以达到找到关键信息的目的;同时在数据处理上,采用主成分分析的方法来约减数据,去除各个因素之间的相关性和多重共线性。为了更好的结合股票市场的特点,在样本选择上采用自组织特征映射神经网络聚类的方法来扩大那些非频繁模式的影响,弱化长期趋势的影响,更符合了股票市场多变性、动态性的特点。最后以中国联通和新五丰两个股票为例,分别进行三组实验。第一次实验以原始变量为基础进行的基于支持向量回归机的预测;第二次实验是对影响因素进行相关分析分析后,并采用主成分分析处理数据,然后进行的预测;第三次实验预测是对样本进行聚类后的数据进行预测。实验结果表明第三次的预测精度最高,而第一次的精度最差,表明达到了改进预测精度的目的。通过实验表明支持向量回归机能够较好的预测股价,而通过变量优化的关键影响变量的选择也较好的提高了信息的利用,同时基于自组织特征映射神经网络的聚类也较好改善了长期趋势模式的影响弱化非频繁模式的影响的缺陷,最后的预测结果也有了明显的改善。

全文目录

摘要  5-6
ABSTRACT  6-10
1 绪论  10-13
  1.1 论文背景  10
  1.2 股市预测的发展概况  10-12
  1.3 本文的主要内容  12
  1.4 论文的主要结构  12-13
2 股票市场预测的基本知识和研究进展  13-20
  2.1 股票市场预测的基本知识  13-14
  2.2 股票预测研究方法综述  14-19
    2.2.1 传统股票分析方法  14-15
    2.2.2 基于统计学的预测方法  15
    2.2.3 基于灰色系统理论的预测方法  15
    2.2.4 基于人工神经网络的预测方法  15-16
    2.2.5 支持向量机预测方法  16-17
    2.2.6 组合预测方法  17-19
  2.3 本章小结  19-20
3 统计学习理论和支持向量机  20-34
  3.1 机器学习  20-23
    3.1.1 学习问题的表示  20-22
    3.1.2 经验风险最小化  22-23
    3.1.3 复杂性与推广能力  23
  3.2 统计学习理论  23-26
    3.2.1 学习过程的一致性条件  24-25
    3.2.2 推广性的界  25
    3.2.3 结构风险最小化  25-26
  3.3 支持向量机  26-31
    3.3.1 最优分类面  26-28
    3.3.2 广义最优分类面  28-29
    3.3.3 支持向量机  29-30
    3.3.4 核函数  30
    3.3.5 算法选择  30-31
  3.4 支持向量回归机  31-33
    3.4.1 回归问题  31
    3.4.2 线性支持向量回归机  31-32
    3.4.3 非线性支持向量回归机  32-33
    3.4.4 支持向量回归机的特点  33
  3.5 本章小结  33-34
4 基于相关分析和灵敏度分析的支持向量回归机股价预测  34-50
  4.1 基于支持向量回归机的股市预测流程  34-35
  4.2 样本选取以及数据预处理  35
  4.3 变量选择及优化  35-37
    4.3.1 相关分析  36-37
    4.3.2 灵敏度分析  37
  4.4 数据优化降维  37-38
  4.5 核函数和参数的选择  38
  4.6 支持向量机分析预测工具LibSVM  38-39
  4.7 实验建模  39-49
    4.7.1 中国联通实验测试  40-44
    4.7.2 新五丰实验测试  44-49
  4.8 本章小结  49-50
5 基于自组织神经网络的支持向量回归机股价预测  50-66
  5.1 聚类方法简介  50-51
  5.2 自组织特征映射神经网络  51-52
  5.3 模型流程  52-54
  5.4 实验建模  54-65
    5.4.1 样本聚类  54
    5.4.2 中国联通实验测试  54-60
    5.4.3 新五丰实验测试  60-65
  5.5 本章小结  65-66
6 结论及展望  66-68
  6.1 研究结论  66
  6.2 展望  66-68
参考文献  68-72
致谢  72-73
附录1  73-77
附录2  77-85
附录3  85

基于支持向量回归机的股价预测研究

内容摘要

全文目录

相似论文