基于SVM修正的模糊时间序列模型在沪指预测中的应用

摘要

传统股票指数研究方法多停留在经验判断或简单的数据分析阶段,主要方法有基本面分析法、交易指标分析法等,这类分析方法或是对以往数据包含的信息使用效率比较低,或是对使用者的经验积累要求很高.近年来,数据挖掘方法在股市中已有很多成功的应用.在上述工作的基础上,从以下三方面提出一种改进的糊时间序列(fuzzy time series,FTS)模型并将其应用于股市预测中:一是提出了新的区间划分方法;二是提出新的模糊集权重公式;三是运用SVM分类算法进行模型修正,提出组合FTS模型.样本是选取1996～2003年上证指数数据,利用提出模型进行指数预测.实验结果表明,与多种重要FTS模型进行比较,本文提出的改进模型效果更优.