金融問題中的支持向量機(jī)應(yīng)用研究.pdf

1、本文基于“知識驅(qū)動的數(shù)據(jù)挖掘（Knowledge-driven datamining）”，針對金融數(shù)據(jù)的特性對支持向量機(jī)進(jìn)行適應(yīng)性改進(jìn)，并開展其在金融問題中的應(yīng)用研究。
　　首先，分析了支持向量機(jī)理論及其在金融數(shù)據(jù)挖掘應(yīng)用方面存在的局限性。在概述支持向量機(jī)的涵義、模型構(gòu)建原則、類型及其算法基礎(chǔ)上，著重強(qiáng)調(diào)結(jié)構(gòu)風(fēng)險最小化原則是其內(nèi)在本質(zhì)和優(yōu)勢所在。但針對金融數(shù)據(jù)非線性、非平穩(wěn)、高噪聲等特性，常規(guī)支持向量機(jī)仍存在一些不足。如，對樣本和

2、特征的動態(tài)適應(yīng)性較差，在處理具有野點、離群點等性質(zhì)的金融數(shù)據(jù)時穩(wěn)定性欠佳，等等。所有這些局限促成了本文工作的任務(wù)，即對支持向量機(jī)進(jìn)行金融數(shù)據(jù)的適應(yīng)性改進(jìn)。
　　其次，立足模型選擇角度，圍繞支持向量機(jī)的自身參數(shù)（meta-parameters）C、ε的確定和特征異質(zhì)性的考慮，改進(jìn)現(xiàn)有的樣本重要性和特征重要性調(diào)整方法，探討對樣本和特征進(jìn)行合理加權(quán)的途徑，提高支持向量機(jī)對金融數(shù)據(jù)的適用程度?；诖蛘鄣淖钚《怂枷耄―LS），利用基于信息

3、特征與含量的概率估計方法，對指數(shù)權(quán)重函數(shù)進(jìn)行修正，從而獲得樣本的權(quán)重值。同時，采用基于支持向量機(jī)輸出對輸入變量導(dǎo)數(shù)的顯著性分析方法（DB-SA），獲取輸入向量特征的權(quán)重值，實現(xiàn)支持向量機(jī)對特征異質(zhì)即特征相關(guān)性強(qiáng)弱的判斷和賦值。而且，利用融合方法，嘗試將樣本加權(quán)和特征加權(quán)方法混合使用，建立一個合成的加權(quán)模型—混合加權(quán)支持向量機(jī)（HW-SVM），進(jìn)一步提高支持向量機(jī)的穩(wěn)定性和推廣能力。
　　再次，從外部融合視角，將支持向量機(jī)與其它機(jī)器

4、學(xué)習(xí)方法和統(tǒng)計方法進(jìn)行融合，實現(xiàn)不同方法之間的優(yōu)勢互補(bǔ)，更好地捕捉金融數(shù)據(jù)獨(dú)特的內(nèi)含信息。分別與copula函數(shù)和小波神經(jīng)網(wǎng)絡(luò)融合起來，構(gòu)建混合的非線性系統(tǒng)，從外部改進(jìn)支持向量機(jī)的性能，刻畫金融市場的本質(zhì)特性與特征變量，更好地分析金融市場不斷演化的復(fù)雜機(jī)理。
　　為檢驗支持向量機(jī)改進(jìn)效果，在實例分析中主要涉及公司財務(wù)危機(jī)預(yù)測、期權(quán)和可轉(zhuǎn)換債券定價、套期保值分析、金融市場聯(lián)接形態(tài)結(jié)構(gòu)與途徑分析等方面的應(yīng)用，均取得了良好的模型表現(xiàn)。<