發(fā)布時間：2024-07-02 03:22

　　股票市場是一個復雜的非線性動態(tài)系統(tǒng),為了保證股票投資者的利益,通過預測股市波動的情況來把握股票市場的發(fā)展規(guī)律以降低股票的投資風險顯得很有必要。國內(nèi)外很多研究者通過研究,建立了一些有效的證券價格預測模型。時間序列模型、ANN模型、GA模型等根據(jù)自身的特點,從不同角度解決了證券價格預測各方面問題,其預測結(jié)果有一定的理論和現(xiàn)實意義。然而這些方法都有其各自的局限性,它們在預測過程中容易出現(xiàn)的過學習、欠學習、局部極小值和維數(shù)災難等問題。SVM模型能夠較好地解決這些問題,被廣泛的應用到證券預測領域得,并取得了很好的成果。 首先,介紹了股市的相關(guān)背景知識以及現(xiàn)有的股市預測的方法,指出各個預測方法的不足之處。然后簡單的介紹了統(tǒng)計學習理論相關(guān)知識,最后具體描述了支持向量機算法的相關(guān)理論知識。 其次,將支持向量機方法用于股市預測,提出了支持向量機方法進行股市預測的基本流程。試驗過程把上海綜合指數(shù)作為研究對象,以基礎指標作為輸入變量,根據(jù)不同時期的收盤價和成交量設計9組方案。通過9組對比試驗,將試驗結(jié)果指標化,找出精度最高的方案。最后確定收盤價和成交量在股價預測中的時間有效性。 然后,設計支持向量機預測模型...

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 股價預測方法研究現(xiàn)狀
        1.2.1 證券投資分析
        1.2.2 時間序列分析
        1.2.3 人工神經(jīng)網(wǎng)絡方法
        1.2.4 支持向量機方法
    1.3 SVM 研究現(xiàn)狀
        1.3.1 SVM 的算法
        1.3.2 SVM 模型選擇的研究
        1.3.3 基于支持向量機組合預測模型
        1.3.4 SVM 的應用研究
    1.4 本文主要工作和基本結(jié)構(gòu)
第2章 統(tǒng)計學習理論與支持向量機算法
    2.1 引言
    2.2 統(tǒng)計學習理論
        2.2.1 學習過程的一致性條件
        2.2.2 VC 維理論
        2.2.3 推廣性的界
        2.2.4 結(jié)構(gòu)風險最小化
    2.3 支持向量機理論
        2.3.1 線性可分
        2.3.2 非線性可分
        2.3.3 SVM 的推廣性
        2.3.4 SVM 常用核函數(shù)
    2.4 本章小結(jié)
第3章 基于基礎指標的SVM 股價預測
    3.1 引言
    3.2 SVM 回歸的數(shù)學原理與預測流程設計
        3.2.1 SVM 回歸的數(shù)學原理
        3.2.2 SVM 預測流程設計
    3.3 支持向量機分析預測工具LibSVM
    3.4 上證綜值回歸分析
    3.5 預測結(jié)果對比與分析
    3.6 本章小結(jié)
第4章 基于技術(shù)指標的SVM 股價預測
    4.1 引言
    4.2 基于技術(shù)指標的SVM 模型設計
        4.2.1 確定輸入向量
        4.2.2 數(shù)據(jù)預處理
        4.2.3 確定核函數(shù)、參數(shù)
    4.3 預測結(jié)果分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 全文研究總結(jié)
    5.2 未來研究工作展望
致謝
參考文獻
附錄1
附錄2
附錄3



本文編號：3999608