论文部分内容阅读
股票价格指数是一个动态变化的非线性复杂系统。对股票价格走势的预测不仅有利于一个国家实行对本国有利的宏观经济调控政策,而且也可为股票投资者提供一个参考依据,达到有效降低投资风险的目的。一般的股票预测方法存在过学习、维数灾难、易陷入局部最优等缺点。支持向量机(SVM)可以较好的解决这些问题,但又因自身模型计算过程复杂使其使用范围长期受到限制,基于此,将支持向量机模型利用相空间重构简化其计算过程,将非线性优化问题转化为线性的优化问题,最小二乘支持向量机(LSSVM)基于此产生。当下最小二乘支持向量机模型的研究主要集中在两方面。一方面,由于样本数据较多,而样本之间存在相似度较高的数据,导致计算机运行时间长,因此样本的稀疏性问题成为本文的首要研究问题。另一方面,最小二乘支持向量机的惩罚参数和核参数对最小二乘支持向量机模型的泛化性能有重要影响,选择最优的参数取值可以提高最小二乘支持向量机模型的预测精度。基于此,本文先针对样本稀疏性问题利用算法简单、参数少、能够处理大数据样本的K-mean聚类经典算法对样本数据剔除相关性较强的冗余数据,得到表示样本空间的表征点集,较好改善了样本的稀疏性问题。再选用粒子群(PSO)算法对LSSVM模型确定最优参数值,选取适应度值最大时的参数取值,此时模型的泛化能力最强。最终提出基于PSO优化改进LSSVM股票价格预测模型,并选取曙光股份2014年5月23日到2015年4月30日的最新股票数据,利用MATLAB软件进行仿真实验以验证所建立模型的有效性。结果表明:基于PSO改进LSSVM的股票价格走势预测模型相比LSSVM模型具有支持向量少、计算速度快、预测精度高的优点。通过学习支持向量机与时间序列一般模型的基础知识,结合时间序列对线性系统的良好预测效果,利用支持向量机中的核函数将股票非线性系统映射到高维特征空间变为线性系统,再利用时间序列一般模型对该线性系统预测。最终建立基于支持向量机的混合时间序列模型。在同花顺软件上下载东风汽车有限公司2014年04月15日至2015年03月26日的股票数据作为实验数据,将仿真实验结果与真实值对比,并与单一的时间序列模型及支持向量机模型的预测结果进行对比,结论表明:基于支持向量机的混合时间序列模型比单一的支持向量机模型或时间序列模型的泛化性能好。