基于群體智能算法的金融時(shí)間序列預(yù)測(cè)研究.pdf

1、金融時(shí)間序列預(yù)測(cè)根據(jù)金融交易品種(如股票)的歷史交易數(shù)據(jù)對(duì)其未來(lái)價(jià)格進(jìn)行預(yù)測(cè),可以幫助投資者規(guī)避風(fēng)險(xiǎn),獲得更高的收益。但是金融時(shí)間序列極為復(fù)雜,是非線性、非平穩(wěn)、高噪聲的確定性混沌時(shí)間序列,因而金融時(shí)間序列預(yù)測(cè)被視為現(xiàn)代時(shí)間序列研究中最富挑戰(zhàn)性的課題。
　　目前,支持向量回歸(SVR)被廣泛應(yīng)用于金融時(shí)間序列預(yù)測(cè),并表現(xiàn)出比傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)更強(qiáng)的預(yù)測(cè)能力。這主要是由于SVR是基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法,具有良好的非線性逼近能

2、力,收斂速度快,具有全局最優(yōu)解,泛化能力強(qiáng)。本文基于SVR進(jìn)行金融時(shí)間序列預(yù)測(cè),并結(jié)合機(jī)器學(xué)習(xí)、人工智能領(lǐng)域的各種方法提高金融時(shí)間序列預(yù)測(cè)的精度。
　　SVR的超參數(shù)、核心函數(shù)參數(shù)對(duì)SVR的預(yù)測(cè)精度和泛化能力有較大影響,本文采用群體智能中的粒子群優(yōu)化(PSO)算法進(jìn)行參數(shù)選擇,提高SVR的訓(xùn)練效率,確保SVR的預(yù)測(cè)精度。
　　本文還分析了SVR輸入向量的選取對(duì)金融時(shí)間序列預(yù)測(cè)精度的影響。實(shí)驗(yàn)表明,選擇合適的輸入向量,可以得到

3、更好的預(yù)測(cè)效果。
　　研究中發(fā)現(xiàn),單一SVR模型不能有效預(yù)測(cè)具有非平穩(wěn)性的金融時(shí)間序列,其預(yù)測(cè)精度容易出現(xiàn)較大波動(dòng),影響總體的預(yù)測(cè)精度。本文借鑒集成學(xué)習(xí)的思想,提出一種混合多個(gè)SVR模型的預(yù)測(cè)算法。該算法選取訓(xùn)練數(shù)據(jù)的不同子集訓(xùn)練出多個(gè)SVR模型,預(yù)測(cè)時(shí)使用合理的權(quán)重將多個(gè)模型的預(yù)測(cè)結(jié)果結(jié)合起來(lái),利用模型間的多樣性,降低總體預(yù)測(cè)誤差。各個(gè)模型的權(quán)重根據(jù)其最近的預(yù)測(cè)精度動(dòng)態(tài)調(diào)整,因此算法具有自適應(yīng)性,能應(yīng)對(duì)非平穩(wěn)性所帶來(lái)的問(wèn)題。在全