支持向量機的AOSVR算法及其在股票預(yù)測中的應(yīng)用.pdf

1、45年前F.Rosenblatt提出感知器模型以來，機器學(xué)習(xí)理論伴隨著計算機技術(shù)的發(fā)展得到長足的進(jìn)步。在經(jīng)歷一些挫折后，在80年代后向傳播算法的提出使神經(jīng)網(wǎng)絡(luò)作為機器學(xué)習(xí)的一種方法得到廣泛重視和推廣。然而機器學(xué)習(xí)真正達(dá)到成熟應(yīng)該是在進(jìn)入90年代后統(tǒng)計學(xué)習(xí)理論被引入到機器學(xué)習(xí)領(lǐng)域。隨著一種新的學(xué)習(xí)方法-支持向量機(SVM)的興起，人們對機器學(xué)習(xí)有了新的認(rèn)識，并且使其達(dá)到進(jìn)一步的完善。本文在第一部分從方法論的角度簡要闡述機器學(xué)習(xí)理論的發(fā)展歷

2、程和經(jīng)驗，而這些是目前研究者比較容易忽視的地方。隨后對支持向量機及其相關(guān)理論作簡要陳述。 支持向量機中的計算數(shù)學(xué)問題基本上關(guān)注于支持向量機二次規(guī)劃問題的數(shù)值解法上。它和普通問題的根本區(qū)別在于：它的大量樣本點形成的巨型矩陣使得二次規(guī)劃無法在有限的時間空間內(nèi)完成。本文第二部分對近年提出的數(shù)值解法作歸納總結(jié)。 在眾多SVM解法中，AOSVR算法是近來提出的一種用于SVR在線算法。特別的，它比傳統(tǒng)的批處理SVR更適用于時間序列預(yù)

3、測。但它沒有考慮如何選擇影響SVR性能的參數(shù)C、ε以及核函數(shù)參數(shù)。V.Cherkassy基于SVR的統(tǒng)計特性提出一種參數(shù)選擇方式，在批處理SVR中證明具有良好的可行性。本文在AOSVR中引入V.Cherkassy方法，形成自適應(yīng)參數(shù)的AOSVR。通過在線調(diào)整SVR參數(shù)達(dá)到更好的預(yù)測精度和泛化能力。另外，針對股票市場特性，本文應(yīng)用AOSVR的“忘記”閾值丟掉早期數(shù)據(jù)來集中刻畫近期的股市特點。應(yīng)用到上證綜合指數(shù)構(gòu)成的時間序列上，取得了良好的