基于机器学习方法的股票数据研究

论文摘要

股票至今已经有400多年的发展历史了。股票市场的变化,间接地反映了整个国民经济的发展状况和股票公司的运营情况,它是整个社会经济的“晴雨表”和“报警器”。研究股票市场未来若干天的数据变化对广大的投资者来说有很重要的意义。从事股票数据研究的学者主要分为三类:第一类学者主要应用技术分析的方法来研究市场过去和现在的行为反应,从而预测整个股市和某支股票价格未来的大致变化趋势;第二类学者主要通过时间序列分析方法来预测股票市场的走势;第三类学者则应用机器学习的方法建立各种学习模型来研究股票数据。本文对股票预测研究现状、机器学习、统计学习理论、支持向量机、混沌时间序列、小波理论作了一些介绍,并根据这些理论建立了预测的模型。该预测模型的核心是支持向量机的学习方法。支持向量机建立在统计学习理论的基础之上,其结构简单,在解决小样本、非线性的问题时效果很好,而且能够避免“维数灾难”和“过学习”等现象。具体的来说,本文完成的工作主要有以下几点:一、将支持向量机与混沌时间序列结合起来建立预测模型。根据相空间重构的方法将现有的数据变换成混沌时间序列,然后将时间序列数据划分成训练数据和测试数据,从而建立支持向量机的预测模型。二、在最优参数的搜索方面主要应用了遗传算法。支持向量机的参数选取方法直接影响着预测模型的性能。遗传算法的在解决非线性问题和多维空间寻优问题上效果卓著,文中应用遗传算法搜索得到的参数能够取得较好的预测效果。三、采用小波变换的方法将股票数据分解成高频数据和低频数据,然后分别建立预测模型并得到高频和低频的预测结果,最后通过小波重构的方法将两类数据的预测结果合并,从而得到未来若干天的股票数据。这种方法得到的预测效果比较好,但是预测结果受小波种类的影响较大。

论文目录

• 摘要
• ABSTRACT
• 1 绪言
• 1.1 课题意义
• 1.2 国内外研究现状
• 1.2.1 股票技术分析方法
• 1.2.2 时间序列预测方法
• 1.2.3 人工神经网络的预测方法
• 1.3 论文结构
• 2 统计学习理论和支持向量机
• 2.1 机器学习
• 2.1.1 学习问题的表示
• 2.1.2 经验风险最小化原则
• 2.2 统计学习理论
• 2.2.1 理论背景
• 2.2.2 函数集VC 维和推广性的界
• 2.2.3 结构风险最小化原则
• 2.3 支持向量机
• 2.3.1 支持向量机原理
• 2.3.2 支持向量机分类
• 2.3.3 支持向量机回归
• 2.3.4 支持向量机的特性
• 2.3.5 支持向量机训练算法
• 2.4 核函数
• 2.4.1 核函数原理
• 2.4.2 常用的核函数
• 2.5 小结
• 3 混沌时间序列
• 3.1 混沌理论
• 3.2 相空间重构理论
• 3.3 相空间参数选取
• 3.3.1 自相关法
• 3.3.2 C-C 方法
• 3.4 小结
• 4 基于支持向量机的混沌时间序列预测模型
• 4.1 数据预处理和模型评价标准
• 4.1.1 数据预处理
• 4.1.2 预测模型的评价标准
• 4.2 股市指标
• 4.3 核函数和参数选取
• 4.3.1 核函数的选取
• 4.3.2 参数选取的意义
• 4.3.3 最优参数的选取方法
• 4.4 基于支持向量机的时间序列模型的建立
• 4.5 仿真结果及分析
• 4.5.1 实验平台和数据的获取
• 4.5.2 实验步骤
• 4.5.3 仿真实验
• 4.6 小结
• 5 小波在支持向量机中的应用
• 5.1 小波理论
• 5.2 小波变换
• 5.2.1 连续小波变换
• 5.2.2 离散小波变换
• 5.2.3 小波分解与重构
• 5.2.4 二维信号的小波分解与重构
• 5.3 基于小波的支持向量机股票预测
• 5.3.1 基于小波的支持向量机模型
• 5.3.2 仿真分析
• 5.4 小结
• 6 总结与展望
• 6.1 研究工作总结
• 6.2 后续工作
• 6.3 展望
• 致谢
• 个人简历、在学期间发表的学术论文及取得的研究成果
• 参考文献