基于支持向量機的金融時間序列分析預測算法研究.pdf

1、金融系統(tǒng)是一個開放的復雜系統(tǒng)，其內(nèi)部的各個經(jīng)濟變量之間存在著錯綜復雜的關系?，F(xiàn)代金融理論由資金的時間價值、資產(chǎn)定價與風險管理等三大要素構成，其核心問題就是如何在不確定的環(huán)境下對資源進行跨期的最優(yōu)配置。從整個數(shù)理金融領域提煉出隨機過程與隨機控制兩類基本模型，前者是后者的前提與基礎，作為離散隨機過程的金融時間序列是金融模型研究的基石與關鍵。鑒于股指收益序列與波動率序列在投資組合與風險規(guī)避中的重要作用，科學地預測金融市場的波動特征，掌握金融市

2、場的波動規(guī)律及其結構對金融風險的規(guī)避防范與管理監(jiān)控具有重要意義。作為世界經(jīng)濟晴雨表的各主要股票指數(shù)，其收益分析與波動率預測是諸多金融模型研究的前提與基礎。因此，以股指收益及波動率作為研究對象具有重要的金融預測意義。
　　 對金融市場數(shù)據(jù)分析研究可以通過對時間序列建模來實現(xiàn)。通過數(shù)學模型的建立，可以將輸入與輸出數(shù)據(jù)之間的關系直觀地反映出來。利用已知歷史數(shù)據(jù)的訓練過程其實就是建立一個時間序列模型的過程，將已知的數(shù)據(jù)作為輸入，得到的輸

3、出就是對未來數(shù)據(jù)的預測。目前研究較多的是如何建立或尋找準確與高效的預測模型。
　　 本文研究內(nèi)容主要包括以下幾部分:
　　 基于相空間重構理論的支持向量回歸機分析預測金融市場研究。相空間重構的重點是選擇一個合適的延遲時間，降低必要的嵌入維數(shù)。本文提出使用虛假最近鄰點法，針對所有變量構建誤差函數(shù)，確定合適的嵌入維數(shù)組合。支持向量回歸機中核函數(shù)是算法性能的重要影響因素。實驗表明基于相空間重構理論的支持向量回歸機具有較好的收益

4、率預測性能。
　　 LSSVR-CARRX模型算法研究。LSSVR算法是通過利用二次誤差項取代標準中的線性誤差項，用帶等式約束的二次規(guī)劃問題替代帶不等式約束的二次規(guī)劃問題，經(jīng)轉化后的對偶問題相當于求解線性方程組。LSSVR的優(yōu)勢在于能夠顯著提高預測精度和訓練速度。本文構建基于LSSVR的非線性CARRX模型，該模型利用LSSVR強大的非線性映射能力，在輸出和輸入的非線性函數(shù)間建立非線性映射關系。實驗表明，采用該模型進行金融市場波

5、動率的擬合和預測可以確定較為良好的效果。
　　 基于神經(jīng)網(wǎng)絡和相關向量機的Hopfield網(wǎng)絡股票市場預測算法研究。網(wǎng)絡穩(wěn)定并且收斂是Hopfield網(wǎng)絡工作的前提條件，能量函數(shù)是左右這一前提條件的重點。連續(xù)Hopfield網(wǎng)絡有自身的局限性，致使系統(tǒng)會出現(xiàn)多個偽響應，影響計算準確度。相關向量機(RVM)的核心概念就是引入幾率解釋噪聲。研究測試表明相關向量具有明顯的數(shù)據(jù)優(yōu)勢。為提高相關向量機算法的準確性，本文提出一種改進算法，即

6、HRVM算法。該算法采用反饋網(wǎng)絡把問題轉化為目標函數(shù)和約束條件，構造能量函數(shù)，這樣優(yōu)化問題就歸結為在滿足約束條件下使目標函數(shù)最小。改進后的HRVM算法具有高穩(wěn)定性，可應用于趨勢預測系統(tǒng)。
　　 基于支持向量回歸的金融時間序列預測算法研究。支持向量計算法集機器學習領域若干標準為一體，將多種技術與方法有機結合，用于解決一些挑戰(zhàn)性應用難題。該算法應用范圍較廣泛，能夠取得其他方法無法達到的最佳效果，也存在一些困難和難題。本文提出自適應學

7、習支持向量機回歸算法，該算法在支持向量機算法的基礎上進一步改進和優(yōu)化，將凸二次規(guī)劃問題用單一線性方程來代替求解，提升機器學習訓練的速度。實驗結果證明，該算法對匯率時序數(shù)據(jù)能科學而有效地完成短時預測。對基金價格的預測實驗結果表明，自適應學習支持向量機回歸算法的精度高于傳統(tǒng)支持向量回歸算法。
　　 本文應用混沌理論和支持向量理論對多變量金融時間序列進行研究，利用這些理論對金融市場的波動進行非線形分析和預測。研究結果表明這些理論在金融