基于支持向量机的沪深300指数预测研究

摘要

股票市场是极其复杂的非线性动力学系统，由于诸多因素影响其中，使得其价格波动的预测异常困难。国内外对于股票价格波动预测的模型有很多种，依据预测方法出现的先后大体可以分成三个阶段，第一个是结构计量模型阶段，第二个是时间序列分析阶段，第三个是智能预测阶段。由于股票的非线性，传统的结构计量模型和时间序列很难进行预测。所以，本文采用智能预测的方法。神经网络模型是智能预测的主要代表，它不需要建立所要研究的问题的精确逻辑和数学模型，而是模仿人脑的思维方式构造神经网络算法，只要直接输入数据就可以得到结果，但是神经网络的缺点是容易过拟合和得到局部最优解。本文将主成分分析和ε-支持向量回归机模型结合运用于沪深300指数的预测当中，可以很好的克服神经网络的缺点。
　　本文首先介绍了主成分分析理论和支持向量机理论，通过ε-不敏感损失函数的引入，构建了基于主成分分析和ε-支持向量回归机股市预测模型。然后分析影响股市的诸多因素，并选取沪深300指数一段时间内的真实数据，进行完主成分分析前期数据处理之后，运行LIBSVM软件包，对沪深300指数进行了实证研究，通过预测值和真实值的对比，验证了主成分分析和ε-支持向量回归机模型用于预测沪深300指数的可行性和有效性。最后，通过与BP神经网络的比较，验证了主成分分析和ε-支持向量回归机模型的预测精度较高。

目录

声明

摘要

第1章 绪论

1．1 研究背景

1．2 研究的目的和意义

1．3 研究内容、方法和结构

1．3．1 研究内容、方法

1．3．2 本文的主要结构

1．4 本文的主要贡献

第2章 相关理论和文献综述

2．1 研究概况

2．2 国外研究现状

2．3 国内研究现状

2．4 主成分分析法

2．4．1 主成分分析法的基本原理

2．4．2 主成分的定义及导出

2．4．3 主成分分析法的计算步骤

2．4．4 主成分的性质

2．5 支持向量机

2．5．1 统计学习理论

2．5．2 支持向量机基本理论

2．5．3 支持向量回归机

第3章 基于支持向量回归机的预测模型

3．1 所用工具软件的介绍

3．2 技术指标简介

3．3 模型的建立

3．4 样本的选取

3．5 预测参数的选取

3．6 对沪深300指数的实验过程

3．6．1 实验过程

3．6．2 结果分析

3．7 本章小结

第4章 与BP神经网络预测方法的比较

4．1 BP神经网络的定义和特点

4．2 BP神经网络对沪深300指数的预测

4．3 与支持向量回归机预测效果的比较

4．4 本章小结

第5章 结论与建议

5．1 本文的结论

5．2 本文的建议

参考文献

附录

致谢