欢迎来到天天文库
浏览记录
ID:33139071
大小:6.70 MB
页数:81页
时间:2019-02-21
《支持向量机理论及其在金融市场中的应用》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、厦门大学学位论文原创性声明本人呈交的学位论文是本人在导师指导下,独立完成的研究成果。本人在论文写作中参考其他个人或集体已经发表的研究成果,均在文中以适当方式明确标明,并符合法律规范和《厦门大学研究生学术活动规范(试行)》。另外,该学位论文为()课题(组)的研究成果,获得()课题(组)经费或实验室的资助,在()实验室完成。(请在以上括号内填写课题或课题组负责人或实验室名称,未有此项声明内容的,可以不作特别声明。)声明人(签名):阢昂纱l严乡月-日厦门大学学位论文著作权使用声明本人同意厦门大学根据《中华人民共和国学位条例暂行实施
2、办法》等规定保留和使用此学位论文,并向主管部门或其指定机构送交学位论文(包括纸质版和电子版),允许学位论文进入厦门大学图书馆及其数据库被查阅、借阅。本人同意厦门大学将学位论文加入全国博士、硕士学位论文共建单位数据库进行检索,将学位论文的标题和摘要汇编出版,采用影印、缩印或者其它方式合理复制学位论文。本学位论文属于:()1.经厦门大学保密委员会审查核定的保密学位论文,于年月日解密,解密后适用上述授权。()2.不保密,适用上述授权。(请在以上相应括号内打“√"或填上相应内容。保密学位论文应是已经厦门大学保密委员会审定过的学位论文
3、,未经厦门大学保密委员会审定的学位论文均为公开学位论文。此声明栏不填写的,默认为公开学位论文,均适用上述授权。)声明人(签名):≯l\年与月,妙Qj气0日,y摘要基于统计学习理论的支持向量机算法(SVM)具备坚实的数学理论基础和严格的理论分析框架。SVM具有理论完备、全局最优、自适应性、泛化能力好等优点,是当前机器学习领域的研究热点。SVM在坚持结构风险最小化原则(SRM)的同时,综合使用统计学、机器学习和神经网络等方面技术,有效地提高了算法的泛化能力。与传统的机器学习算法相比,SVM具有良好的应用价值和发展前景。首先,本文
4、对“支持向量分类机与支持向量回归机’’的理论进行梳理;其次,提出基于“主成分降维”思想的PCA.SVM算法。在PCA进行属性降维的基础上,将“交叉验证”(K.folds)思想下的网格算法、遗传算法以及粒子群算法,分别对SVC模型的惩罚参数和径向基核参数进行寻优,着重考虑分类精度问题,构建精确的商业银行房贷违约判别模型。实证表明,基于三种优化算法的PCA.SVM模型均具有较高的分类精度和稳定性。再次,本文深入探讨SVR的算法性能以及参数寻优。以NYMEX石油期货价格合约作为实证研究对象,详细阐述SVR预测模型的具体建模和参数求
5、解过程。首先,用Gridsearch方法对SVR模型所需参数进行大范围搜索,得到参数(C,0)的最优值;其次,用K.折交叉验证方法搜索参数(占,v)的最优值并进行选择,从而得到最佳参数组合。最后,作为g—SVR的改进算法v—SVR,在进行国际石油期货价格预测时,具有较好的拟合度及准确度。关键词:支持向量分类机;支持向量回归机;参数寻优;数据挖掘ABSTRACTSupportVectorMachines(SVM)hasasolidtheoreticalfoundationandrigorousmathematicaltheor
6、y,completing、)l,imtheory,globaloptimization,adaptive,andgoodgeneralizationability.SVMusesthestructuralriskminimization(SRM),comprehensivestatistics,machinelearningandneuralnetworks,whileminimizingtheempiricalrisk,andeffectivelyimprovesthealgorithm’Sgeneralizationab
7、ility.Thispaperanalyzesandsummarizesthesupportvectormachinesforclassification(svc)andregression(svg)theory.Afterthat,basedonthe”principalcomponentdimensionreduction”ideology,paperproposesthePCA-SVMalgorithm.ThekeytotheestablishmentofSVCistoselecttheoptimalmodelfort
8、henuclearfunctionandhowtodeterminetheoptimalvalueofparameters.PCAfordimensionreductionintheproperty,basedoncross—validationinthesenseoftheGrid-se
此文档下载收益归作者所有