由于金融計量學(xué)和金融統(tǒng)計變得越來越重要,隨著全球計算機互聯(lián)網(wǎng)以及大數(shù)據(jù)處理技術(shù)快速更新,金融方面的數(shù)據(jù)處理方法由傳統(tǒng)統(tǒng)計理論漸漸轉(zhuǎn)為人工智能領(lǐng)域的研究。大量的金融信息處理也帶來了技術(shù)變革的源動力,加速了理論和應(yīng)用兩個層面的深入研究。因此導(dǎo)致該行業(yè)各個方面的統(tǒng)計學(xué)習(xí)方法研究科研成果越來越豐碩,特別是SVM等理論的廣泛應(yīng)用,為金融方面的數(shù)據(jù)發(fā)掘及經(jīng)濟學(xué)中所面臨的復(fù)雜問題提供了一種全新的解決辦法。1.利用網(wǎng)格搜索法優(yōu)化構(gòu)建支持向量機股價回歸預(yù)測模型,該模型主要通過對2007年1月4日至2017年12月29日滬深300中的2676個數(shù)據(jù)進行處理研究及分析預(yù)測�？紤]到SVM的核函數(shù)對模型預(yù)測結(jié)果的準(zhǔn)確性有很大影響,故本研究重點采用網(wǎng)格搜索法優(yōu)化算法對支持向量機核函數(shù)的參數(shù)選擇進行了優(yōu)化,通過比較分析,最終得到了優(yōu)化后的滬深指數(shù)回歸預(yù)測模型。由實驗結(jié)果證實:利用支持向量回歸機對指數(shù)進行預(yù)測,取得了良好的效果。2.根據(jù)A股非金融類上市公司的因素分類情況,且優(yōu)化這類公司的分類和效益水平評價更加趨向合理和準(zhǔn)確,本部分內(nèi)容主要基于核主成分和稀疏最小二乘SVM建立一個分類模型。由于最小二乘SVM在實際應(yīng)用方...

【文章頁數(shù)】：49 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 金融時間序列數(shù)據(jù)模型
        1.2.2 支持向量機
    1.3 本研究主要內(nèi)容和研究方法
        1.3.1 研究內(nèi)容
        1.3.2 主要研究方法
2 統(tǒng)計學(xué)習(xí)與支持向量機理論
    2.1 統(tǒng)計學(xué)習(xí)理論
    2.2 支持向量機理論
        2.2.1 支持向量機基本原理
        2.2.2 線性可分SVM
        2.2.3 近似線性可分SVM
        2.2.4 非線性可分SVM
        2.2.5 基于時間序列支持向量機預(yù)測模型
    2.3 PCA及KPCA原理
        2.3.1 主成分分析
        2.3.2 KPCA分析
3 基于SVM的股票指數(shù)預(yù)測
    3.1 數(shù)據(jù)來源和指標(biāo)選取
    3.2 模型建立
    3.3 模型實現(xiàn)
        3.3.1 數(shù)據(jù)選取
        3.3.2 數(shù)據(jù)預(yù)處理
        3.3.3 參數(shù)選擇
        3.3.4 利用最佳參數(shù)訓(xùn)練SVM模型做擬合預(yù)測
    3.4 研究結(jié)果及對比分析
4 基于SVM的上市公司多分類與績效分析
    4.1 研究現(xiàn)狀
    4.2 最小二乘SVM與稀疏最小二乘SVM
        4.2.1 最小二乘SVM
        4.2.2 稀疏的最小二乘支持向量機
    4.3 數(shù)據(jù)與特征指標(biāo)的選取
    4.4 數(shù)據(jù)預(yù)處理
        4.4.1 分類標(biāo)準(zhǔn)的確定
        4.4.2 KPCA特征提取
    4.5 研究結(jié)果分析
        4.5.1 實驗結(jié)果分析
        4.5.2 對比研究結(jié)果及分析
結(jié)論
參考文獻
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號：4004373