基于支持向量机的股票预测

《基于支持向量机的股票预测》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、维普资讯http://www.cqvip.com第16卷第6期计算机技术与发展V‘)1．16No，62006年6月OC)MlUTFRTH’HNOI』)GYANDDEVElJ3PMENTjLII3．2006基于支持向量机的股票预测张晨希，张燕平，张迎春，陈洁，万忠(安徽大学智能计算与信号处理重点实验室，安徽舍肥230039)摘要：针对股票预测的特点，选择对上市公司股票走势有重要影响的相关数据进行测试。为了避免传统的预测算法(如BP算法)的一些弊端，使用可以避免这些弊端并且具有良好分类功能的支持向量机对该上市公司股票走势进行预测。测试表明预测的精度明显高于采用BP算法等传统神经网络分类方法的

2、测试结果，预测达到了让人满意的效果。关键词：股票；预测；支持向量机；数据中图分类号：TP18文献标识码：A文章编号：1673—629X(2006)06—0035—03StockPredictionBasedonSupportVectorMachineZHANGChen—xi，ZHANGYan-ping，ZHANGYing-chun，CHENJie，WANZhong(KeyLab．ofIntelligentComputing&SignalProcessing，AnhuiUniversity，Hefei230039，China)Abstract：AccordingtOthecharacter

3、isticsofthestockprediction，thispaperselectsthedatathatgreatlyinfluencethestockdevelopmenttrendoflistedcompanies．InordertoavoidthedisadvantagesofthetraditionalNNclassificationmethods(e．g．BPalgorithm)，thispaperu蛸thesupportvectormachine(SVM)topredictthestockdevelopmenttrendoflistedcompanies．Theteats

4、howsthattheaccuracyofthepredictionisobviouslyhigherthantraditionalNNclassificationways．suchasBPslgofithmandthusithasasatisfyingresult．Keywords：stock；prediction；supportvectormachine；dataO引言品3．0产品中117个报表中的海量数据中进行挖掘、提股票市场是证券业和金融业必不可少的重要组成部取，从而得到上市公司的净资产收益率、投资报酬率、销售分，受到投资者的普遍关注。有效的股票预测在金融投资报酬率、流动比率、留

5、存盈利比例等l6个数据。这些数据领域占有重要地位，因此对股票价格进行分析和预测有着反映了该上市公司的自身经营情况，因此将对该上市公司非常重大的理论意义和实践价值。由于股票受到政策、经股票走势有着决定性影响_8]。笔者正是力图对这些数据济以及投资人心理等诸多复杂的因素的影响，而这些因素进行分析从而达到对该上市公司的股票进行预测的目的。是没有确定规则的，因此近几年兴起了利用人工神经网络来对股票进行分析和研究的热潮[I-。在传统的几种利1支持向量机用人工神经网络进行股票预测的方法中，BP网络本身还SVM理论是在统计学习理论的基础上发展起来的。存在隐层结构无规律可循、易陷于局部最小值等缺由于统计

6、学习理论和SVM方法对有限样本情况下模式陷[，3l。支持向量机(SVM)算法可有效地改善这些缺识别中的一些根本性的问题进行了系统的理论研究，很陷[，。因此文中对股票数据进行分类分析，从而达到预大程度上解决了以往的机器学习中模型的选择与过学习测的目的。问题、非线性和维数灾难问题、局部极小点问题等，所以传统的有关股票预测方面的研究所采用的数据大多它们在20世纪9O年代以来受到了很大的重视。SVM是直接来源于证券公司所公布的开盘价、收盘价、最高价、最针对二类模式识别问题而提出的。设训练样本集为(，低价、综合指数等交易日的数据，数据缺乏足够的透明)，∈{+1，一1}是类别标号(：1，⋯，，∈R)

7、。对性[，。文中采用的数据则是通过对巨灵证券数据库产于线性可分情况，存在(，b)，使"t．t3·b>0，Pxl∈Classl，．+b<0，Px∈Class?,。分类的目的是寻求收稿日期：2005一O9—23(u，，b)，使最优分类面满足分类间隔最大。为减少分类平基金项目：“九七三”计划国家雨点基础研究(2004CB318108)；国家面的重复，对(，b)进行如下约束：自然科学基金(60475017，60135010)；安徽省自然科学