基于支持向量機的金融時間序列預測.pdf

1、金融時間序列的特點：(1)產生過程的隨機性、復雜性；(2)多數(shù)含有噪聲；(3)數(shù)據(jù)間具有較強的非線性。近年來，人們將神經網(wǎng)絡、混沌理論、遺傳算法以及系統(tǒng)理論和當代應用數(shù)學研究的最新進展等諸多理論與方法應用于金融時間序列預測已成為金融工程研究領域的一大熱點。雖然用于金融時間序列的預測方法很多，但由于神經網(wǎng)絡作為一種通用函數(shù)逼近器可以以任意精度近似任意的非線性函數(shù)和動態(tài)系統(tǒng)，是高度非線性對象建模的有力工具。因此目前在該領域研究中仍以神經網(wǎng)絡

2、方法為主。盡管神經網(wǎng)絡技術取得了很大進步，但仍有一些不易解決的難題：如難以確定神經網(wǎng)絡的隱層節(jié)點數(shù)、存在過學習現(xiàn)象、訓練過程中存在局部極小問題等。因此，Vapnik等人根據(jù)統(tǒng)計學習理論提出的一種機器學習方法-支持向量機(Support Vector Machines，SVM)，它是建立在VC維和結構風險最小化原則基礎上的，利用核函數(shù)把非線性可分數(shù)據(jù)映射到高維特征空間，使其在高維特征空間中線性可分。同時，利用核函數(shù)計算內積可避免“維數(shù)災難

3、”。由于支持向量機具有較好的泛化性和學習性能，該技術已成為機器學習的研究熱點，并在很多領域得到成功應用，如模式識別、圖像分類等方面。到目前，支持向量機方法主要應用于解決分類和回歸問題，但很少應用于時間序列預測。因此，本文將支持向量機方法應用于金融時間序列的預測，使其應用得到更好的推廣。
　　 本文緒論介紹了支持向量機的研究現(xiàn)狀和研究價值。第二章介紹時間序列預測的異方差模型，成為第五章預測金融時間序列的理論基礎。第三章介紹了統(tǒng)計學

4、習的一般理論，包括機器學習、優(yōu)化問題以及對偶問題。第四章詳細介紹了支持向量機算法的基本理論，簡單介紹了支持向量分類算法，包括線性可分、線性不可分以及一類分類算法，并詳細介紹了支持向量的回歸算法。本章為論文的重要理論部分，通過本章的理論學習，編寫運行程序，再應用到實際預測中，會有很好的效果。第五章是理論的應用部分，通過建立適當?shù)哪Ｐ?，選擇合理的參數(shù)，將處理過的金融數(shù)據(jù)按照實驗步驟，進行實驗，最終得出具有應用價值的預測數(shù)據(jù)。本文的實驗主要針