基于小波變換和支持向量機的非平穩(wěn)時間序列預(yù)測——以滬深300指數(shù)為例.pdf

1、股票指數(shù)的預(yù)測是一個受多因素影響，指數(shù)動態(tài)波動的非線性復(fù)雜系統(tǒng)。股票指數(shù)的準確預(yù)測能夠為證券投資決策提供參考依據(jù)。伴隨著計算機軟硬件系統(tǒng)的發(fā)展，機器學(xué)習(xí)方法越來越多被應(yīng)用到社會發(fā)展的各個行業(yè)。在股票指數(shù)預(yù)測方面，當前預(yù)測方法已逐步從傳統(tǒng)統(tǒng)計分析方法向人工智能分析方法進行轉(zhuǎn)變。
　　本文應(yīng)用小波分析對滬深300指數(shù)的開盤價進行重構(gòu)分解替換原樣本數(shù)據(jù)中的開盤價，構(gòu)建兩個不同的樣本數(shù)據(jù)，采用支持向量機回歸(SVR)模型預(yù)測了滬深300指

2、數(shù)的開盤價，SVR模型參數(shù)的優(yōu)選通過網(wǎng)格搜索法(GRID)、粒子群算法(PSO)和遺傳算法(GA)來調(diào)試。結(jié)果表明，基于原樣本數(shù)據(jù)建立的三種支持向量機預(yù)測模型均能全面反映股票指數(shù)的時變規(guī)律，并具有較高的預(yù)測精度。其中，遺傳算法-支持向量機回歸(GA-SVR)模型得到最小均方根誤差(RMSE)為14.730，最小平均絕對百分比誤差(MAPE)為0.375％。
　　在此基礎(chǔ)上，根據(jù)滬深300指數(shù)的開盤價走勢，將SVR建模數(shù)據(jù)分成平穩(wěn)段

3、市場、漲跌段市場和波動段市場，分別對分段樣本進行支持向量機回歸預(yù)測，通過比較模型預(yù)測結(jié)果優(yōu)選每個分段樣本的最優(yōu)模型。平穩(wěn)市場的預(yù)測結(jié)果分析中，網(wǎng)格搜索法-支持向量機回歸(GRID-SVR)模型的預(yù)測精度最高，其RMSE為5.650，MAPE是0.197%。漲跌市場的預(yù)測結(jié)果表明，基于含小波分解重構(gòu)序列的樣本數(shù)據(jù)建立的網(wǎng)格搜索法-支持向量機回歸(WT-GRID-SVR)模型預(yù)測表現(xiàn)最好，(RMSE,MAPE)的值分別為(20.727,0.