基于支持向量回归机的股价预测研究

【摘要】：随着经济社会的发展,以及人们投资意识的增强,人们越来越多的参与到股票市场的经济活动中,股票投资也已经成为人们生活的一个重要组成部分。但是股票市场的高回报伴随着的是高风险,因此对于股票市场的预测研究具有极为重要的经济意义。然而在股票市场中,首先面对的是众多的指标、众多的信息,很难找出对股价更为关键的因素;其次股市结构极为复杂,影响因素具有多样性、相关性。这导致了很难找出股市内在的模式。现有的分析预测方法在预测应用中往往效果并不是很理想。支持向量机是一种新兴的技术,借助于最优化理论、对偶理论等,采用结构风险最小化、核函数等方法来解决分类问题,有着较好的分类、回归和泛化性能。支持向量回归机就是在支持向量机的基础上产生的,专门用于处理回归问题的方法。近年来一些学者将其运用与股市预测并取得较好的预测效果。 本文从更好的结合股票市场的特点以及更充分的更合理的利用信息的角度出发,建立了基于支持向量回归机的预测模型,并以中国联通(600050)和新五丰(600975)数据为例进行了预测验证。本文分析对比了现有股市预测方法,提出采用基于支持向量回归机的方法进行预测。为了更充分更合理的利用信息,在尽可能全面的收集股市信息的基础上,利用相关系数来进行线性相关分析,接着并利用散点图进行简单的非线性相关分析,然后进行灵敏度分析,去除各个相关性较少的因素,以达到找到关键信息的目的;同时在数据处理上,采用主成分分析的方法来约减数据,去除各个因素之间的相关性和多重共线性。为了更好的结合股票市场的特点,在样本选择上采用自组织特征映射神经网络聚类的方法来扩大那些非频繁模式的影响,弱化长期趋势的影响,更符合了股票市场多变性、动态性的特点。最后以中国联通和新五丰两个股票为例,分别进行三组实验。第一次实验以原始变量为基础进行的基于支持向量回归机的预测;第二次实验是对影响因素进行相关分析分析后,并采用主成分分析处理数据,然后进行的预测;第三次实验预测是对样本进行聚类后的数据进行预测。实验结果表明第三次的预测精度最高,而第一次的精度最差,表明达到了改进预测精度的目的。通过实验表明支持向量回归机能够较好的预测股价,而通过变量优化的关键影响变量的选择也较好的提高了信息的利用,同时基于自组织特征映射神经网络的聚类也较好改善了长期趋势模式的影响弱化非频繁模式的影响的缺陷,最后的预测结果也有了明显的改善。