基于支持向量机回归与学习的金融数据预测与分类

《基于支持向量机回归与学习的金融数据预测与分类》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、代号10701学号1102121198分类号TP391密级公开题（中、英文）目基于支持向量机回归与学习的金融数据预测与分类FinancialDataPredictionandClassificationviaSupportVectorMachineRegressionandLearning焦李成教授作者姓名谭梦羽指导教师姓名、职称学科门类工学学科、专业智能信息处理提交论文日期二○一四年三月万方数据基于支持向量机回归与学习的金融数据预测与分类2西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论

2、文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本人承担一切的法律责任。本人签名：日期西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校

3、有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业后结合学位论文研究课题再攥写的文章一律署名单位为西安电子科技大学。（保密的论文在解密后遵守此规定）本学位论文属于保密，在年解密后适用本授权书。本人签名：日期导师签名：日期万方数据摘要摘要随着信息科技的发展，金融数据处理问题已经不仅仅拘泥于传统的数理统计方法，而更多的与人工智能领域的信息处理方法相结合，并取得了一些有开拓意义的研究成果。特别是支持向量机理论的崛起，为金融数据问题提供了一种新的解决方法。

4、本文的主要工作有以下三方面：1.建立了一个基于核主成分分析与支持向量机的股票预测模型，选取了纳斯达克指数、标准普尔指数、伦敦金融时报100指数、法兰克福指数、东京日经225指数和香港恒生指数等10种全球股票市场的核心指数十年的数据作为原始数据，将数据进行时间序列处理后，利用支持向量回归机对指数进行预测，取得了良好的效果。对比实验中将特征提取方法PCA与KPCA进行对比，结果说明经过特征提取后的数据的预测准确率要高于不经过特征提取的数据；而KPCA在对股票数据进行重构和特征提取时，性能要优于PCA。2.建立了一个基于核主成分分析和稀疏的最小二

5、乘支持向量机的上市公司分类模型，并对2004家上市公司进行了分类及绩效评价。最小二乘支持向量机具有快速的特点，但是却缺少了稀疏性。本文中引入了稀疏的最小二乘支持向量机来弥补最小二乘支持向量机的缺点，这使得计算复杂度更低、准确率更高。与其他模型不同是，本文提出了一个多分类的模型，将上市公司分为四类，这与真实情况更为相符，同时实验结果也表明，该模型预测准确率最高可以达到82%。对比实验中，比较了不同特征提取方法对模型的影响，实验结果表明KPCA的性能最好。3.在金融大数据的背景下，第一次将深度信任网络用于金融数据的分类。实验数据选取了2010年

6、中国A股市场上的2004只股票作为样本，不经过特征选择和提取，直接使用深度信任网络对原始数据进行重建和分类。实验证明，深度学习方法在解决金融大数据问题时具有一定的作用。关键词：支持向量机特征提取股票预测金融数据分类万方数据万方数据ABSTRACTABSTRACTWiththedevelopmentofinformationtechnology,financialdataprocessingproblemshavenotonlyadheretothetraditionalmethodsofmathematicalstatistics.Fina

7、ncialdataprocessingproblemshavecombinedwiththefieldofartificialintelligenceapproaches,andmadesomepioneeringsignificanceresearchachievements.Especiallythedevelopmentofsupportvectormachinetheoryprovidedanewmethodforthefinancialdataprocessingproblems.1.Thispaperestablishedamo

8、delbasedonkernelprincipalcomponentanalysisandsupportvectormachineforpredictingthepopularg