基于支持向量回归理论的股份预测实证研究

【摘要】：人们有从过去的数据和以往的知识中学习的能力。通过学习和归纳,可以得到对客观世界的认识和规律。并且帮助我们对未来的现象做出正确的预测和判断。目前时间序列分析在金融预测中应用很广泛,它所表现出来的优良的性能受到许多研究者的推崇。二十世纪七十年代,Vladimir N.Vapnik等人在统计学习理论的基础上,提出来一种新的智能机器学习理论-支持向量机,它是在结构风险最小化准则基础上,将学习问题转化为求解优化问题的方法,并且表现出了良好的推广性能。能有效的处理非线性、小样本、局部极值等问题。由于它的优越性,越来越多的研究者投入到支持向量机的研究中。 本文首先介绍了统计学习理论,由它引出支持向量回归理论,并且详细的阐述了它的理论及其算法。然后介绍了一种新的Total支持向量机,并且利用两种支持向量回归机对2010年1月至2011年3月的上证综合指数进行了时间序列模型的估计,对其短期和长期数据分别进行了预测,实证结果表明支持向量回归拥有很强的预测能力。而这种Total支持向量回归机具有比传统的支持向量回归更好的预测能力。之后利用上述Total支持向量回归机对股票的牛市、熊市、盘整和总体市场也进行了预测分析。最后我们将神经网络中反馈的思想运用到支持向量回归中,建立了双支持向量回归模型,使得预测结果更加精确,误差更小。