基于支持向量机回归与学习的金融数据预测与分类

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。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。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景

1.2 支持向量机基本理论

1.3 PCA及KPCA原理

1.4本论文主要工作

第二章 基于KPCA与SVM的股票市场预测

2.1传统模型的时间序列模型

2.2模型的建立

2.3实验结果及对比实验分析

2.4股票趋势预测分析

第三章 基于KPCA与稀疏LS-SVM的上市公司多分类与绩效分析

3.1已有研究的局限和不足

3.2最小二乘支持向量机

3.3稀疏的最小二乘支持向量机

3.4模型的建立

3.5实验结果分析

3.6对比实验及分析

第四章 基于深度信任网络的金融数据分类

4.1大数据与金融大数据

4.2深度学习与深度信任网络基本理论

4.3模型的建立

4.4实验结果分析

第五章 结束语

致谢

参考文献