基于GA优化的SVM算法的股票趋势预测

论文摘要

股票市场是金融市场的重要组成部分,是资本配置的重要手段,对推进国民经济的发展起着举足轻重的作用。股票趋势预测是金融预测领域研究的热点之一。正确的预测股票趋势,不仅可以为广大投资者投资决策提供依据,更可以为国家制定相关经济政策提供参考。随着人工智能技术、计算机技术的空前发展,股票预测方法也得到了很大的进步。其中以数据挖掘技术为基础,研究有限样本下机器学习规律的统计学习理论,是股票预测研究的一个重要方向。本文以统计学习理论作为股票智能预测研究的主方向,提出一种新的股票趋势预测的研究方法——基于遗传算法改进的支持向量机（GA-SVM）算法。其主要的思想是:首先利用遗传算法寻找支持向量机中最优的核参数和惩罚因子,然后再利用遗传算法对股票的特征向量集进行优化,最后将样本数据输入改进后的支持向量机中进行预测效果评估。为了确保评估的全面、客观、真实,实验样本选用噪声相对较小的上证综合指数,实验内容包括改进后的支持向量机与标准支持向量机的预测效果比较,以及与传统方法的预测效果比较。实验结果表明,经遗传算法改进的支持向量机算法优化了核参数和惩罚因子,剔除了样本的冗余特征,减少了计算的复杂度,提高了预测的准确率。

论文目录

• 提要
• 第1章 绪论
• 1.1 选题背景和意义
• 1.2 国内外研究现状
• 1.2.1 投资分析法
• 1.2.2 传统统计学方法
• 1.2.3 人工神经网络方法
• 1.2.4 支持向量机方法
• 1.3 本文的内容及创新
• 1.3.1 内容及结构
• 1.3.2 主要创新
• 第2章 算法的理论基础
• 2.1 统计学习理论和支持向量机
• 2.1.1 机器学习的基本问题
• 2.1.2 统计学习理论
• 2.1.3 支持向量机
• 2.2 遗传算法
• 2.2.1 概述
• 2.2.2 遗传算法基本思想和基本术语
• 2.2.3 遗传算法的框架
• 2.3 本章小结
• 第3章 建立SVM 预测模型
• 3.1 概述
• 3.2 SVM 要素选取
• 3.2.1 核函数
• 3.2.2 核参数σ
• 3.2.3 惩罚因子C
• 3.2.4 损失函数参数ε
• 3.3 样本的采集及处理
• 3.3.1 提取样本特征
• 3.3.2 样本数据采集
• 3.3.3 样本的预处理
• 3.4 SVM 建模的流程
• 3.5 本章小结
• 第4章 GA 优化 SVM 算法
• 4.1 概述
• 4.2 优化的理论基础
• 4.2.1 GA 的优势
• 4.2.2 优化 SVM 参数
• 4.2.3 优化特征选择
• 4.3 建立优化模型
• 4.3.1 GA 模型
• 4.3.2 GA 优化SVM 参数
• 4.3.3 GA 优化特征选择
• 4.3.4 GA-SVM 的优化流程
• 4.4 本章小结
• 第5章 实证研究
• 5.1 实验准备
• 5.1.1 样本数据选择
• 5.1.2 样本的预处理
• 5.1.3 实验环境
• 5.1.4 主要参数
• 5.2 实验内容及过程
• 5.2.1 实验内容
• 5.2.2 实验过程
• 5.3 实验结果及分析
• 5.3.1 实验结果
• 5.3.2 结果分析
• 5.4 本章小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 摘要
• ABSTRACT