论文摘要
股票市场预测是一个小样本,复杂系统分析预测的问题,本文将统计学习理论引入该领域,结合混沌时间序列分析方法,进行了一些探讨,介绍了基于统计学习理论的支持向量机方法。在实际运用中,我们选择了标准支持向量机的变体——最小二乘法支持向量机工具LSSVM.M,此工具运行环境为MATLAB软件。为了保证LSSVM.M处理数据的准确性,本文对此工具的预测和拟合性能进行了验证,发现本工具的问题主要是预测的结果不理想,通过详细的分析,我们对它进行了改进。最后,使用改进后的工具对金融时间序列数据进行处理,得到了较好的结果。主要研究内容与结论如下:研究支持向量机的数学模型,从理论上分析支持向量机在小子样数据处理中的优势,并指出支持向量机在实际运用中的缺陷。采用一种支持向量机的进化工具“最小二乘支持向量机LSSVM.M”对数据进行分析。在研究LSSVM.M的基本框架和算法流程的基础上,对预测和拟合效果进行测试,发现参数选择是影响其预测效果的主要因素。本文从网格搜索和留一交叉验证的原理出发,提出一种改进的参数优化方法,先对参数所在区域进行搜索,使搜索参数区域逐步精确缩小,然后再对参数进行优化选择。实例证明改进的方法提高了LSSVM.M工具预测的准确性。用改进的LSSVM.M工具对时间序列进行预测,建立时间序列预测模型。综上所述,本文提出了一种可行的时间序列分析方法,讨论了参数如何进行优化,将其应用于上证指数的预测,取得了一定的效果