股票市場(chǎng)是一個(gè)復(fù)雜的非線性動(dòng)態(tài)系統(tǒng),為了保證股票投資者的利益,通過預(yù)測(cè)股市波動(dòng)的情況來把握股票市場(chǎng)的發(fā)展規(guī)律以降低股票的投資風(fēng)險(xiǎn)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(jià)格預(yù)測(cè)模型。時(shí)間序列模型、ANN模型、GA模型等根據(jù)自身的特點(diǎn),從不同角度解決了證券價(jià)格預(yù)測(cè)各方面問題,其預(yù)測(cè)結(jié)果有一定的理論和現(xiàn)實(shí)意義。然而這些方法都有其各自的局限性,它們?cè)陬A(yù)測(cè)過程中容易出現(xiàn)的過學(xué)習(xí)、欠學(xué)習(xí)、局部極小值和維數(shù)災(zāi)難等問題。SVM模型能夠較好地解決這些問題,被廣泛的應(yīng)用到證券預(yù)測(cè)領(lǐng)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(shí)以及現(xiàn)有的股市預(yù)測(cè)的方法,指出各個(gè)預(yù)測(cè)方法的不足之處。然后簡(jiǎn)單的介紹了統(tǒng)計(jì)學(xué)習(xí)理論相關(guān)知識(shí),最后具體描述了支持向量機(jī)算法的相關(guān)理論知識(shí)。 其次,將支持向量機(jī)方法用于股市預(yù)測(cè),提出了支持向量機(jī)方法進(jìn)行股市預(yù)測(cè)的基本流程。試驗(yàn)過程把上海綜合指數(shù)作為研究對(duì)象,以基礎(chǔ)指標(biāo)作為輸入變量,根據(jù)不同時(shí)期的收盤價(jià)和成交量設(shè)計(jì)9組方案。通過9組對(duì)比試驗(yàn),將試驗(yàn)結(jié)果指標(biāo)化,找出精度最高的方案。最后確定收盤價(jià)和成交量在股價(jià)預(yù)測(cè)中的時(shí)間有效性。 然后,設(shè)計(jì)支持向量機(jī)預(yù)測(cè)模型...

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)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(jià)預(yù)測(cè)方法研究現(xiàn)狀
        1.2.1 證券投資分析
        1.2.2 時(shí)間序列分析
        1.2.3 人工神經(jīng)網(wǎng)絡(luò)方法
        1.2.4 支持向量機(jī)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(jī)組合預(yù)測(cè)模型
        1.3.4 SVM 的應(yīng)用研究
    1.4 本文主要工作和基本結(jié)構(gòu)
第2章 統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)算法
    2.1 引言
    2.2 統(tǒng)計(jì)學(xué)習(xí)理論
        2.2.1 學(xué)習(xí)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(fēng)險(xiǎn)最小化
    2.3 支持向量機(jī)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(chǔ)指標(biāo)的SVM 股價(jià)預(yù)測(cè)
    3.1 引言
    3.2 SVM 回歸的數(shù)學(xué)原理與預(yù)測(cè)流程設(shè)計(jì)
        3.2.1 SVM 回歸的數(shù)學(xué)原理
        3.2.2 SVM 預(yù)測(cè)流程設(shè)計(jì)
    3.3 支持向量機(jī)分析預(yù)測(cè)工具LibSVM
    3.4 上證綜值回歸分析
    3.5 預(yù)測(cè)結(jié)果對(duì)比與分析
    3.6 本章小結(jié)
第4章 基于技術(shù)指標(biāo)的SVM 股價(jià)預(yù)測(cè)
    4.1 引言
    4.2 基于技術(shù)指標(biāo)的SVM 模型設(shè)計(jì)
        4.2.1 確定輸入向量
        4.2.2 數(shù)據(jù)預(yù)處理
        4.2.3 確定核函數(shù)、參數(shù)
    4.3 預(yù)測(cè)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(xiàn)
附錄1
附錄2
附錄3



本文編號(hào)：3999608