基于最小二乘小波支持向量机的股票期货市场预测

论文摘要

支持向量机预测理论是九十年代后期发展起来的新的数据挖掘技术,它是建立在统计学习理论基础上的通用学习方法,着重于研究小样本条件下的预测规律。由于股票期货市场是复杂的非线性系统,传统的时间序列预测技术很难揭示其内在的规律,为了更好的对股票期货市场的价格规律进行分析,本文在支持向量机与小波变换的理论基础上推导出了一种新的方法来对股票期货价格的进行预测,并通过仿真实验,分析了其优缺点.本文主要在如下方面进行了研究和探讨:1.首先论述了时间序列预测的研究状况及方法的优点与不足,然后介绍支持向量机预测、小波理论与相空间重构的相关概念和模型,这些构成了本文的理论基础。2.构建了小波核的支持向量机模型,并根据核函数的条件,提出了核函数的构造方法,证明了几种小波函数作为核函数的可行性,为发现更多核函数提供了依据。同时分析了核参数的作用及参数寻优的方法。3.结合最小二乘法,提出了基于小波核的最小二乘支持向量机预测模型,并把该模型应用于沪深300指数与美国原油期货指数的预测,并与标准最小二乘支持向量机及神经网络模型的预测效果进行比较,验证了该方法的优越性,最后分析了该方法的优缺点及进一步的研究方向。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题的研究背景
• 1.2 本课题的研究现状
• 1.3 本课题的研究内容
• 第二章 基本概念与基本理论
• 2.1 支持向量机理论
• 2.1.1 统计学习理论与VC维理论
• 2.1.2 结构风险最小化原理
• 2.1.3 最优超平面与核函数
• 2.1.4 支持向量机理论
• 2.2 标准最小二乘支持向量机预测模型
• 2.2.1 相空间重构
• 2.2.2 模型的构建
• 2.3 小波变换
• 2.3.1 小波变换的定义
• 2.3.2 小波变换的特点
• 第三章 最小二乘小波支持向量机
• 3.1 小波核函数
• 3.1.1 核函数构造方法
• 3.1.2 构造实例
• 3.2 最小二乘小波支持向量机模型
• 3.2.1 模型构造
• 3.2.2 模型特点
• 3.2.3 模型分析
• 3.3 核参数选择方法
• 3.3.1 LOO法
• 3.3.2 K-折交叉确认法
• 3.3.3 网格搜索法
• 3.4 改进的小波核函数
• 3.5 本章小结
• 第四章 LS-WSVM在股票期货市场中的应用
• 4.1 预测模型的构建
• 4.1.1 预测模型结构
• 4.1.2 模型算法的设计
• 4.2 预处理与模型检验标准
• 4.2.1 原始数据的标准化处理
• 4.2.2 模型性能评价标准
• 4.3 仿真分析与结果
• 4.3.1 仿真准备
• 4.3.2 仿真试验与结果分析
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 本文的工作
• 5.2 进一步研究的方向
• 参考文献
• 攻读硕士期间发表的论文