基于支持向量机算法的股票短期价格预测研究

摘要

证券价格预测是金融预测领域的研究热点之一。近年来，随着计算机技术、统计学等相关领域的空前发展，证券价格预测开始逐步体现出与机器学习(Machine Learning)理论相融合的趋势。这其中，支持向量机(Support Vector Machine)算法作为一种比较新型的机器学习算法，能够克服传统方法“过学习”和“维数灾难”等问题，具备较强的泛化能力，因此本文采用该算法展开研究。
　　本文在简要介绍统计学习理论和支持向量机算法的基本原理的基础上，经过核函数选择、期限选择、变量选择、测试集预测和参数优化等多个步骤，建立了用于预测股票短期价格的理论算法模型。为测试模型的实际效果，本文将该优化模型应用于沪深300成分股的收盘价格预测过程中，并针对算法拟合效果进行了分析讨论。
　　经过研究，本文得出了以下结论:在核函数选择方面，高斯径向基核函数在所有类型的核函数中学习效果最优;在期限选择方面，采用3天的历史数据进行学习的学习效果最优;在变量选择方面，增加技术指标并不能够带来模型效果的显著改善。实证结果表明，本文提出的算法模型在实证中取得了比较令人满意的结果。
　　最后，本文分析了该算法在实际应用过程中的意义和局限，并对全部研究成果进行了概括总结。

目录

声明

摘要

第1章引言

1．1研究背景和意义

1．1．1研究背景

1．1．2研究意义

1．2本文的主要工作和基本结构

1．2．1本文的主要工作

1．2．2本文的基本结构

1．3本文的主要创新点和不足

1．3．1主要创新点

1．3．2不足

第2章文献综述

2．1国外文献回顾

2．2国内文献回顾

第3章理论基础

3．1统计学习理论

3．1．1 VC维

3．1．2经验风险最小化原则与结构风险最小化原则

3．2支持向量机理论

3．2．1支持向量分类机

3．2．2支持向量回归机

第4章模型设计与数据准备

4．1模型说明

4．1．1预测的模型

4．1．2模型评价指标

4．2数据来源及数据预处理

4．2．1样本和指标的选取

4．2．2数据的来源和软件支持

4．2．3数据的预处理过程说明

第5章实证部分：算法的应用

5．1数据总体描述

5．2核函数的选择

5．3不同期限模型的训练样本拟合效果

5．3．1基础指标的训练样本内拟合

5．3．2加入技术指标的训练样本内拟合

5．4测试样本拟合效果

5．5模型的参数寻优

5．6优化模型的测试集拟合与异常值处理

5．6．1测试集拟合

5．6．2异常值产生的原因

5．6．3异常值处理

第6章总结

参考文献

附录

致谢

个人简历