基于支持向量機回歸與學習的金融數(shù)據(jù)預測與分類.pdf

1、隨著信息科技的發(fā)展,金融數(shù)據(jù)處理問題已經(jīng)不僅僅拘泥于傳統(tǒng)的數(shù)理統(tǒng)計方法,而更多的與人工智能領(lǐng)域的信息處理方法相結(jié)合,并取得了一些有開拓意義的研究成果。特別是支持向量機理論的崛起,為金融數(shù)據(jù)問題提供了一種新的解決方法。本文的主要工作有以下三方面:
　　1.建立了一個基于核主成分分析與支持向量機的股票預測模型,選取了納斯達克指數(shù)、標準普爾指數(shù)、倫敦金融時報100指數(shù)、法蘭克福指數(shù)、東京日經(jīng)225指數(shù)和香港恒生指數(shù)等10種全球股票市場的

2、核心指數(shù)十年的數(shù)據(jù)作為原始數(shù)據(jù),將數(shù)據(jù)進行時間序列處理后,利用支持向量回歸機對指數(shù)進行預測,取得了良好的效果。對比實驗中將特征提取方法PCA與KPCA進行對比,結(jié)果說明經(jīng)過特征提取后的數(shù)據(jù)的預測準確率要高于不經(jīng)過特征提取的數(shù)據(jù);而KPCA在對股票數(shù)據(jù)進行重構(gòu)和特征提取時,性能要優(yōu)于PCA。
　　2.建立了一個基于核主成分分析和稀疏的最小二乘支持向量機的上市公司分類模型,并對2004家上市公司進行了分類及績效評價。最小二乘支持向量機

3、具有快速的特點,但是卻缺少了稀疏性。本文中引入了稀疏的最小二乘支持向量機來彌補最小二乘支持向量機的缺點,這使得計算復雜度更低、準確率更高。與其他模型不同是,本文提出了一個多分類的模型,將上市公司分為四類,這與真實情況更為相符,同時實驗結(jié)果也表明,該模型預測準確率最高可以達到82％。對比實驗中,比較了不同特征提取方法對模型的影響,實驗結(jié)果表明KPCA的性能最好。
　　3.在金融大數(shù)據(jù)的背景下,第一次將深度信任網(wǎng)絡(luò)用于金融數(shù)據(jù)的分類。