基于支持向量機(jī)和遺傳算法股市預(yù)測(cè).pdf

1、近年來(lái)，股票市場(chǎng)在我國(guó)發(fā)展迅速，已逐步成為金融業(yè)必不可少的組成部分，受到投資者的普遍關(guān)注。但是，股票市場(chǎng)是一個(gè)極其復(fù)雜的動(dòng)力學(xué)系統(tǒng)，高噪聲、非線性和投資者的主觀性等因素決定了股票預(yù)測(cè)的復(fù)雜和困難。本文在分析考察傳統(tǒng)預(yù)測(cè)分析方法的基礎(chǔ)上，針對(duì)當(dāng)前使用最廣泛地神經(jīng)網(wǎng)絡(luò)存在的不足，建立了一種新的預(yù)測(cè)方法，對(duì)股市進(jìn)行預(yù)測(cè)。并與目前應(yīng)用較多的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法進(jìn)行了比較，證明了該方法具有比神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法更優(yōu)的預(yù)測(cè)效果。 本文將支持向量

2、機(jī)(SVM)引入股市，利用其結(jié)構(gòu)風(fēng)險(xiǎn)最小化、推廣能力強(qiáng)，能保證找到的極值解就是全局最優(yōu)解等優(yōu)點(diǎn)，克服了以往神經(jīng)網(wǎng)絡(luò)方法存在的易陷入局部最小、推廣能力差、過(guò)學(xué)習(xí)、欠學(xué)習(xí)等不足。 SVM學(xué)習(xí)當(dāng)中，其推廣能力很大依賴于參數(shù)C、ε、和核函數(shù)參數(shù)。參數(shù)的選擇也是SVM學(xué)習(xí)的重點(diǎn)、難點(diǎn)。本文利用遺傳算法強(qiáng)大的全局搜索能力，使用遺傳算法來(lái)對(duì)SVM的參數(shù)進(jìn)行優(yōu)化。 由于股市是一個(gè)極其復(fù)雜的大系統(tǒng)，難以收斂，導(dǎo)致計(jì)算時(shí)間較長(zhǎng)。本文使用一種

3、類似聚類的方法減少了訓(xùn)練集規(guī)模，提高了訓(xùn)練速度，且不影響預(yù)測(cè)精度。 本文沒(méi)有象傳統(tǒng)的預(yù)測(cè)分析那樣對(duì)大盤指數(shù)或開(kāi)盤、收盤等即時(shí)價(jià)格進(jìn)行預(yù)測(cè)。而是利用移動(dòng)平均線具有的趨勢(shì)性、穩(wěn)定性特點(diǎn)和成熟簡(jiǎn)單的分析方法，對(duì)周均價(jià)進(jìn)行預(yù)測(cè)生成移動(dòng)平均線，為投資者的分析提供了一種新的選擇。 實(shí)驗(yàn)表明，SVM和遺傳算法結(jié)合的方法提高模型的推廣能力，對(duì)周均價(jià)的預(yù)測(cè)比傳統(tǒng)的方法更具趨勢(shì)性。本文的研究表明SVM和遺傳算法在股市預(yù)測(cè)當(dāng)中有著良好的前景。