基于SVM_AdaBoost模型的股票涨跌实证研究

【摘要】：股票市场不仅是国家经济的晴雨表，在中国更是企业融资和广大股民投资的重要手段。股票涨跌能够得到大致预测，就能为投资者提供有效的股票投资指导，从而有效克服盲目投资的弊端和有效规避了股票的投资风险。本文将股票的未来走势分别划分为两种（涨、跌），把股市的波动预测转化为两类分类问题，通过股票上周数据指标来对下周股价涨跌进行预测，分别利用核函数为高斯核的最小二乘支持向量机（LSSVM）模型以及LSSVM和AdaBoost算法混合模型（SVM_AdaBoost）进行分类识别。 本文首先介绍了股市的相关背景知识，国内外对于股票预测的研究综述，对几种现有的股票预测方法进行了介绍。接着全面介绍了统计学习理论和建立在其基础上的SVM方法，阐述了LSSVM的原理及其优点。并选取万科A股作为实证对象，验证LSSVM在整体预测，以及上涨市、下跌市、震荡市的预测情况，实证表明股价在单边上涨或者下跌的时候，LSSVM具有较好的分类性能。为提高震荡市以及整体市场的预测性能，引入AdaBoost算法。介绍了AdaBoost算法的理论和算法流程，指明该算法可以和SVM模型组合的优势：SVM_AdaBoost模型可以减少SVM选择核参数的复杂度，而核参数的多样性也使得SVM提供多样性的弱分类器成为可能。将支持向量机（SVM）模型作为AdaBoost算法的弱分类器，得到SVM_AdaBoost强分类器，作为识别股票周涨跌的模型。针对多样性的基分类器的构造，本文基于模糊均值聚类算法，给出了一种基分类器的评价方法，通过这种评价方法自适应调整SVM中的核参数，从而得到一组适当精度并具有多样性的SVM弱分类器。实证结果表明，SVM_AdaBoost模型提升SVM的预测精度并优化了算法学习效率，还能提高不平衡数据中少数类的预测精度。 相信随着今后进一步研究，应用SVM_AdaBoost模型进行股市预测将得到更好的效果。