支持向量機理論及其在金融市場中的應用.pdf

1、基于統(tǒng)計學習理論的支持向量機算法(SVM)具備堅實的數(shù)學理論基礎和嚴格的理論分析框架。SVM具有理論完備、全局最優(yōu)、自適應性、泛化能力好等優(yōu)點,是當前機器學習領域的研究熱點。SVM在堅持結構風險最小化原則(SRM)的同時,綜合使用統(tǒng)計學、機器學習和神經(jīng)網(wǎng)絡等方面技術,有效地提高了算法的泛化能力。與傳統(tǒng)的機器學習算法相比,SVM具有良好的應用價值和發(fā)展前景。
　　首先,本文對“支持向量分類機與支持向量回歸機”的理論進行梳理;

2、　　其次,提出基于“主成分降維”思想的PCA-SVM算法。在PCA進行屬性降維的基礎上,將“交叉驗證”(K-folds)思想下的網(wǎng)格算法、遺傳算法以及粒子群算法,分別對SVC模型的懲罰參數(shù)和徑向基核參數(shù)進行尋優(yōu),著重考慮分類精度問題,構建精確的商業(yè)銀行房貸違約判別模型。實證表明,基于三種優(yōu)化算法的PCA-SVM模型均具有較高的分類精度和穩(wěn)定性。
　　再次,本文深入探討SVR的算法性能以及參數(shù)尋優(yōu)。以NYMEX石油期貨價格合約作為實