加权平滑支持向量机及外汇数据的实证分析

加权平滑支持向量机及外汇数据的实证分析

论文摘要

作为国际金融重要的组成部分,汇率一直是人们研究与讨论的热点问题。自2005年7月21号起,我国开始实行以供求为基础、参考货币进行调节、有管理的浮动汇率制度。在新的浮动汇率体制下,人民币汇率频繁而大幅度的波动,给我国经济带来很多不利的影响,汇率风险增加,投机加强,也加大了经济金融市场的不稳定性。如能及时、准确地预测未来一定时间内人民币汇率的变动将具有很重要的意义。本文首先讨论了汇率预测方法的进展,支持向量机用于预测的综述以及其所存在的问题,接着介绍了支持向量机的原理、平滑支持向量机以及局部加权回归原理。之后,讨论了支持向量机在实际应用中所存在的对不同训练样本点具有相同误著惩罚问题,通过借鉴局部加权回归算法来改进支持向量机参数C,并且在求解优化问题时,将原约束问题转化为无约束的凸二次规划问题,进而得到新模型的方案:加权平滑支持向量回归模型(w-SSVR),并且作了相应的对比试验验证算法的性能。在分析经典汇率决定理论的基础上,结合人民币的具体情况,选择了中美两国的10个宏观经济指标作为影响汇率的因素,构建了基于这10个结构变量的加权平滑支持向量回归汇率预测模型,利用1999年1月到2008年3月的数据,进行汇率预测的实证研究,实证结果表明,加权平滑支持向量回归模型的预测精度比一般的支持向量回归模型的预测精度要高,MAPE只有0.298%,拟合效果很好,表明该模型对汇率的预测是可行的。最后,尝试调整结构变量,从预测结果的评价指标看,对结构变量的调整与优化的效果很好,进一步提高了预测的精度。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 汇率预测的意义
  • 1.2 汇率预测的方法
  • 1.3 支持向量机算法在预测领域的国内外研究现状
  • 1.4 支持向量机算法存在的不足以及本文结构
  • 1.4.1 研究不足之处
  • 1.4.2 研究框架与内容
  • 第二章 支持向量机与局部加权回归
  • 2.1 支持向量机
  • 2.1.1 核函数
  • 2.1.2 支持向量机回归
  • 2.2 平滑支持向量机
  • 2.2.1 加函数和p函数
  • 2.2.2 构造平滑支持向量回归模型(SSVR)
  • 2.3 局部加权回归(LWR Locally Weighted Regression)
  • 2.4 小结
  • 第三章 加权平滑支持向量机回归模型
  • 3.1 加权平滑支持向量机回归模型
  • 3.2 w-SSVR算法性能分析
  • 3.2.1 w-SVR与ε-SVR、FFBPN的对比实验
  • light的对比实验'>3.2.2 SSVR与LIBSVM、SVMlight的对比实验
  • 3.3 小结
  • 第四章 w-SSVR汇率预测模型的建立与实证研究
  • 4.1 影响汇率因素
  • 4.1.1 几种汇率决定理论简单介绍
  • 4.1.2 购买力评价理论
  • 4.1.3 利率评价理论
  • 4.1.4 国际收支理论
  • 4.1.5 国际货币主义理论
  • 4.1.6 影响汇率的主要因数
  • 4.2 基于w-SSVR汇率预测模型的构建
  • 4.2.1 w-SSVR汇率预测的可行性研究
  • 4.2.2 样本选择和数据来源
  • 4.2.3 数据的预处理
  • 4.2.4 构建基于w-SSVR的外汇预测模型
  • 4.2.5 模型的检验指标
  • 4.3 w-SSVR汇率预测结果及实证分析
  • 4.4 对输入结构变量的调整优化
  • 4.5 小结
  • 第五章 总结与展望
  • 5.1 本文总结
  • 5.2 后续研究方向
  • 附录 原始数据
  • 参考文献:
  • 致谢
  • 相关论文文献

    • [1].基于人工鱼群算法的孪生支持向量机[J]. 智能系统学报 2019(06)
    • [2].基于改进支持向量机的温室大棚温度预测[J]. 科技创新与应用 2020(10)
    • [3].结构化支持向量机研究综述[J]. 计算机工程与应用 2020(17)
    • [4].支持向量机理论及应用[J]. 科学技术创新 2019(02)
    • [5].加权间隔结构化支持向量机目标跟踪算法[J]. 中国图象图形学报 2017(09)
    • [6].多分类孪生支持向量机研究进展[J]. 软件学报 2018(01)
    • [7].模糊型支持向量机及其在入侵检测中的应用[J]. 科技创新与应用 2018(11)
    • [8].从支持向量机到非平行支持向量机[J]. 运筹学学报 2018(02)
    • [9].支持向量机的基本理论和研究进展[J]. 长江大学学报(自科版) 2018(17)
    • [10].孪生支持向量机综述[J]. 计算机科学 2018(11)
    • [11].一种新的基于类内不平衡数据学习支持向量机算法[J]. 科技通报 2017(09)
    • [12].分段熵光滑支持向量机性能研究[J]. 计算机工程与设计 2015(08)
    • [13].有向无环图-双支持向量机的多类分类方法[J]. 计算机应用与软件 2015(11)
    • [14].基于支持向量机的股票价格预测模型研究与应用[J]. 课程教育研究 2016(28)
    • [15].灰狼优化的混合参数多分类孪生支持向量机[J]. 计算机科学与探索 2020(04)
    • [16].基于属性约简—光滑支持向量机的中小企业信息化评价研究[J]. 软件工程 2020(07)
    • [17].基于稀疏孪生支持向量机的人脸识别[J]. 信息技术 2020(07)
    • [18].基于总类内分布的松弛约束双支持向量机[J]. 济南大学学报(自然科学版) 2018(04)
    • [19].基于多分类支持向量机的评估模型研究[J]. 数学的实践与认识 2017(01)
    • [20].改进的支持向量机在微博热点话题预测中的应用[J]. 现代情报 2017(03)
    • [21].多核在线支持向量机算法研究及应用[J]. 宜宾学院学报 2017(06)
    • [22].基于改进遗传算法的支持向量机参数优化方法[J]. 计算机与现代化 2015(03)
    • [23].一种层次粒度支持向量机算法[J]. 小型微型计算机系统 2015(08)
    • [24].自训练半监督加权球结构支持向量机多分类方法[J]. 重庆邮电大学学报(自然科学版) 2014(03)
    • [25].四类基于支持向量机的多类分类器的性能比较[J]. 聊城大学学报(自然科学版) 2014(03)
    • [26].一种模糊加权的孪生支持向量机算法[J]. 计算机工程与应用 2013(04)
    • [27].一种采用粗糙集和遗传算法的支持向量机[J]. 山西师范大学学报(自然科学版) 2013(01)
    • [28].基于在线支持向量机的无人机航路规划技术[J]. 电光与控制 2013(05)
    • [29].贪婪支持向量机的分析及应用[J]. 计算机工程与应用 2012(24)
    • [30].一种改进的双支持向量机[J]. 辽宁石油化工大学学报 2012(04)

    标签:;  ;  ;  ;  

    加权平滑支持向量机及外汇数据的实证分析
    下载Doc文档

    猜你喜欢