基于分段線性表示和支持向量機(jī)的拐點(diǎn)預(yù)測(cè).pdf

1、廈門(mén)大學(xué)學(xué)位論文原創(chuàng)性聲明本人呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下，獨(dú)立完成的研究成果。本人在論文寫(xiě)作中參考其他個(gè)人或集體己經(jīng)發(fā)表的研究成果，均在文中以適當(dāng)方式明確標(biāo)明，并符合法律規(guī)范和《廈門(mén)大學(xué)研究生學(xué)術(shù)活動(dòng)規(guī)范(試行)》。另外，該學(xué)位論文為()課題(組)的研究成果，獲得()課題(組)經(jīng)費(fèi)或?qū)嶒?yàn)室的資助，在()實(shí)驗(yàn)室完成。(請(qǐng)?jiān)谝陨侠ㄌ?hào)內(nèi)填寫(xiě)課題或課題組負(fù)責(zé)人或?qū)嶒?yàn)室名稱(chēng)，未有此項(xiàng)聲明內(nèi)容的，可以不作特別聲明。)聲明人(簽名)：際蕆砂，≥

2、年f月弓。日摘要摘要近幾年，對(duì)于證券交易拐點(diǎn)的預(yù)測(cè)，廣泛應(yīng)用的是基于分段線性表示(PLR)和反向傳播人工神經(jīng)網(wǎng)絡(luò)(BPN)的方法(PLRBPN)。然而，該方法具有一些缺陷，比如容易過(guò)擬合和陷入局部最優(yōu)點(diǎn)，而且模型中閾值的選取也是很令人頭疼的。由于支持向量機(jī)(SVM)具有可以避免過(guò)擬合，同時(shí)也不容易陷入局部最優(yōu)點(diǎn)等優(yōu)勢(shì)，本文利用分段線性表示(PLR)和加權(quán)支持向量機(jī)(WSVM)來(lái)預(yù)測(cè)證券交易的拐點(diǎn)(Pu0WSVM)。PLRWSVM方法具有

3、以下幾個(gè)主要特點(diǎn)：(1)通過(guò)PLR方法得到證券交易的拐點(diǎn)，并對(duì)每個(gè)拐點(diǎn)根據(jù)當(dāng)前拐點(diǎn)和下一個(gè)拐點(diǎn)的收盤(pán)價(jià)變化率來(lái)設(shè)置不同的權(quán)重，以反映拐點(diǎn)的相對(duì)重要性。(2)將證券交易拐點(diǎn)的預(yù)測(cè)問(wèn)題，轉(zhuǎn)化為一個(gè)帶權(quán)重的四分類(lèi)問(wèn)題，避免了PLRBPN模型中閾值的選取。(3)采用帶權(quán)重的支持向量機(jī)來(lái)對(duì)交易拐點(diǎn)和輸入變量之間的關(guān)系進(jìn)行建模，該方法可以提高預(yù)測(cè)模型的泛化性。(4)歷史數(shù)據(jù)集被分為具有重疊性的訓(xùn)練集和測(cè)試集，而不是單純的訓(xùn)練集驗(yàn)證測(cè)試集，該方法不僅