基于改进支持向量回归机的股价预测研究

《基于改进支持向量回归机的股价预测研究》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、基于改进支持向量回归机的股价预测研究重庆大学硕士学位论文（学术学位）学生姓名：罗必辉指导教师：陈远教授专业：软件工程学科门类：工学重庆大学软件学院二O一六年四月StudyonStockPricePredictionBasedonOptimizedSupportVectorRegressionAThesisSubmittedtoChongqingUniversityinPartialFulfillmentoftheRequirementfortheDegreeofMasterofEngineeringByLuoBi

2、huiSupervisedbyChenYuanSpecialty:SoftwareEngineeringSchoolofSoftwareEngineeringofChongqingUniversity,Chongqing,ChinaApril2016重庆大学硕士学位论文中文摘要摘要如今人们对股票交易的兴趣日益见长，希望通过对股市各种信息的综合分析来帮助指导股票交易，以获得高额利润。然而股票价格受到多方面因素的影响，具有非线性，时变性和高度不稳定性等特点，导致股票价格非常难以预测。传统的时间序列预测法不能提取股票数

3、据的非线性特征，神经网络算法又容易陷入局部极小，易造成过拟合，且股票数据含有大量噪声和冗余信息，导致预测精度不高。针对以上问题，本文引入流形学习中的线性局部切空间排列算法，应用改进的支持向量回归机来预测股票价格，主要研究工作是：①总结分析股票价格预测领域的国内外研究现状，指出现有方法存在的各种不足和缺陷。②归纳股票价格预测的相关知识和基本原理，并简要介绍了股票价格预测模型用到的支持向量回归机的算法理论。③在股票价格预测领域第一次引入流形学习中的线性局部切空间排列算法，将股票数据看成一个非线性流形，提取其中隐藏的模

4、式，并同时降低数据噪声，去除冗余信息，最终使得提取到的特征更加具有区分度和代表性，从而提高预测精度。④结合线性局部切空间排列算法，提出了一种新的支持向量回归机的股价预测优化模型。该模型首先利用线性局部切空间排列算法对股票原始数据进行特征提取，然后采用具有全局最优解的支持向量回归机对提取到的特征和股票价格之间的非线性关系建模，并利用遗传算法优化支持向量回归机的参数，最终提高股票价格的预测精度。⑤通过大量的实验对本文提出模型的适应性和推广能力进行了验证。实验选取了不同国家、不同种类和不同时间段的四只股票：上证指数、标

5、准普尔500指数、IBM公司发行股票和Microsoft公司发行股票作为本文的实验支撑数据，并与4种传统特征提取算法和3种经典股票价格预测模型进行了对比。研究表明本文提出的融合线性局部切空间排列和遗传算法优化的支持向量回归机股价预测模型不仅预测精度高，而且具有强大的泛化能力和良好的推广性，对于指导股票交易具有很大的实用价值。关键词：股票价格预测，遗传算法优化，线性局部切空间排列，支持向量回归机I重庆大学硕士学位论文英文摘要ABSTRACTNowadays,peoplearemoreandmoreintereste

6、dinstockexchange.Theyhopetobenefitfromthetransactionbyanalyzingavarietyofinformationinstockmarketwhichcanbeusedtoinstructtheinvestment.However,stockpricesareinfectedbyvariousfactors.Thereforetheyhavethecharacteristicsofnonlinearity,time-variationandhighlyunst

7、abilitywhichmakestockpricesverydifficulttopredict.Traditionalapproachessuchastimeseriesanalysiscan'textractthenonlinearfeaturesinstockdata,andneuralnetworkalgorithmiseasilyfallintoover-fittingandlocalminimumpoints.Furthermore,stockdatacontainsomuchnoiseandred

8、undantinformation,whichlimitthepredictionaccuracy.Astothesequestions,thisstudyciteslinearlocaltangentspacealignmentfrommanifoldlearning,utilizesoptimizedsupportvectorregressiontopredictth