本文主要研究内容
作者王玥（2019）在《基于多种降维方法的金融数据统计分析》一文中研究指出：选取金融数据作为实验样本,运用多种统计方法和降维方法,首先对金融数据进行预处理,采用主成分分析、投影寻踪、LLE、MDS等4种降维方法将数据降成不同的维数,对4种方法分析,得出适宜数据的情况.进而结合decision tree、bagging、random forest、Boosting、SVM、neural network六种算法对原数据和处理后的数据进行分类,预测金融数据的涨跌趋势.同时,利用decision tree、random forest、SVM、PP、neural network五种统计方法对原数据和处理后的数据进行回归分析,预测数据的准确数值.对降维前和降维后的结果进行比较,得出结论.本文首先介绍了4种降维方法,分别为主成分分析、投影寻踪、LLE、MDS;然后介绍了7种统计方法decision tree、bagging、random forest、Boosting、SVM、neural network、projection pursuit;在上述方法的分析下,对金融数据进行一定的研究.实验共分为两大部分,第一部分是股票收盘价趋势预测和股票开盘价趋势预测,为实验一和实验二;第二部分是期货数据预测分析和股票指数收盘价预测分析,为实验三和实验四.股票趋势预测实验共选取两组数据,第一组为粤高速B、贵州茅台和农业银行的三支股票的100个数据,其中前80个数据作为训练样本,后20个数据作为测试样本,第二组数据选取上证指数、深证综指、中小板指、创业板指共600个数据,其中前560个为训练样本,后40个为测试样本.分别进行股票开盘价和收盘价趋势预测.实验过程共分为两部分,采用decision tree、bagging、random forest、boosting、SVM、neural network等6种算法,首先对数据进行直接分析,将计算后的结果与原结果进行比较,第一组实验发现SVM算法具有更优的预测性能,之后采取PCA、PP、LLE和MDS四种降维方法进行分析,结果表明相比直接对数据进行分析,降维后通过调整参数,预测精度可能会有一定的提升.在第二组实验过程中,分别对降维前后数据进行对比分析,发现boosting和neural network的精度都有所提升,SVM的效果也有部分提升.在两组降维实验后,发现PCA、PP降维后分类提升的精度比LLE、MDS好.期货数据预测分析实验中,选取期货交易市场中的黄金指数、黄金主连、动煤指数、动煤主连4组数据,指标数为43个,每组400个数据,对开盘价进行预测.首先采用decision tree,random forest,SVM,PPR,neural network 5种回归方法对数据进行直接分析,发现PPR算法效果最优,接下来进行降维处理,选用PCA、LLE和MDS三种降维方法反复进行实验,最终结果显示decision tree,SVM,neural network的三种方法结合降维预测精度得到了提升,random forest和PPR的部分精度得到了提升.在股票指数预测分析实验中,选取S&P 500,Russell 2000,Walmart,Disney四支股票的收盘价数据,在此选取850个数据作为训练样本.实验采用时间序列模型进行预测分析,对数据采用同上5种回归方法,首先直接进行回归,然后用PCA,,PP,LLE,MDS四种方法对数据进行降维处理再分析,最后与直接回归相比较.结果表明在直接分析数据有一定的误差时,可以对数据进行降维处理,分析结果会有一定的提升,并且高维数据降维后的提升比低维数据降维后的提升较好.
Abstract
shua qu jin rong shu ju zuo wei shi yan yang ben ,yun yong duo chong tong ji fang fa he jiang wei fang fa ,shou xian dui jin rong shu ju jin hang yu chu li ,cai yong zhu cheng fen fen xi 、tou ying xun zong 、LLE、MDSdeng 4chong jiang wei fang fa jiang shu ju jiang cheng bu tong de wei shu ,dui 4chong fang fa fen xi ,de chu kuo yi shu ju de qing kuang .jin er jie ge decision tree、bagging、random forest、Boosting、SVM、neural networkliu chong suan fa dui yuan shu ju he chu li hou de shu ju jin hang fen lei ,yu ce jin rong shu ju de zhang die qu shi .tong shi ,li yong decision tree、random forest、SVM、PP、neural networkwu chong tong ji fang fa dui yuan shu ju he chu li hou de shu ju jin hang hui gui fen xi ,yu ce shu ju de zhun que shu zhi .dui jiang wei qian he jiang wei hou de jie guo jin hang bi jiao ,de chu jie lun .ben wen shou xian jie shao le 4chong jiang wei fang fa ,fen bie wei zhu cheng fen fen xi 、tou ying xun zong 、LLE、MDS;ran hou jie shao le 7chong tong ji fang fa decision tree、bagging、random forest、Boosting、SVM、neural network、projection pursuit;zai shang shu fang fa de fen xi xia ,dui jin rong shu ju jin hang yi ding de yan jiu .shi yan gong fen wei liang da bu fen ,di yi bu fen shi gu piao shou pan jia qu shi yu ce he gu piao kai pan jia qu shi yu ce ,wei shi yan yi he shi yan er ;di er bu fen shi ji huo shu ju yu ce fen xi he gu piao zhi shu shou pan jia yu ce fen xi ,wei shi yan san he shi yan si .gu piao qu shi yu ce shi yan gong shua qu liang zu shu ju ,di yi zu wei yue gao su B、gui zhou mao tai he nong ye yin hang de san zhi gu piao de 100ge shu ju ,ji zhong qian 80ge shu ju zuo wei xun lian yang ben ,hou 20ge shu ju zuo wei ce shi yang ben ,di er zu shu ju shua qu shang zheng zhi shu 、shen zheng zeng zhi 、zhong xiao ban zhi 、chuang ye ban zhi gong 600ge shu ju ,ji zhong qian 560ge wei xun lian yang ben ,hou 40ge wei ce shi yang ben .fen bie jin hang gu piao kai pan jia he shou pan jia qu shi yu ce .shi yan guo cheng gong fen wei liang bu fen ,cai yong decision tree、bagging、random forest、boosting、SVM、neural networkdeng 6chong suan fa ,shou xian dui shu ju jin hang zhi jie fen xi ,jiang ji suan hou de jie guo yu yuan jie guo jin hang bi jiao ,di yi zu shi yan fa xian SVMsuan fa ju you geng you de yu ce xing neng ,zhi hou cai qu PCA、PP、LLEhe MDSsi chong jiang wei fang fa jin hang fen xi ,jie guo biao ming xiang bi zhi jie dui shu ju jin hang fen xi ,jiang wei hou tong guo diao zheng can shu ,yu ce jing du ke neng hui you yi ding de di sheng .zai di er zu shi yan guo cheng zhong ,fen bie dui jiang wei qian hou shu ju jin hang dui bi fen xi ,fa xian boostinghe neural networkde jing du dou you suo di sheng ,SVMde xiao guo ye you bu fen di sheng .zai liang zu jiang wei shi yan hou ,fa xian PCA、PPjiang wei hou fen lei di sheng de jing du bi LLE、MDShao .ji huo shu ju yu ce fen xi shi yan zhong ,shua qu ji huo jiao yi shi chang zhong de huang jin zhi shu 、huang jin zhu lian 、dong mei zhi shu 、dong mei zhu lian 4zu shu ju ,zhi biao shu wei 43ge ,mei zu 400ge shu ju ,dui kai pan jia jin hang yu ce .shou xian cai yong decision tree,random forest,SVM,PPR,neural network 5chong hui gui fang fa dui shu ju jin hang zhi jie fen xi ,fa xian PPRsuan fa xiao guo zui you ,jie xia lai jin hang jiang wei chu li ,shua yong PCA、LLEhe MDSsan chong jiang wei fang fa fan fu jin hang shi yan ,zui zhong jie guo xian shi decision tree,SVM,neural networkde san chong fang fa jie ge jiang wei yu ce jing du de dao le di sheng ,random foresthe PPRde bu fen jing du de dao le di sheng .zai gu piao zhi shu yu ce fen xi shi yan zhong ,shua qu S&P 500,Russell 2000,Walmart,Disneysi zhi gu piao de shou pan jia shu ju ,zai ci shua qu 850ge shu ju zuo wei xun lian yang ben .shi yan cai yong shi jian xu lie mo xing jin hang yu ce fen xi ,dui shu ju cai yong tong shang 5chong hui gui fang fa ,shou xian zhi jie jin hang hui gui ,ran hou yong PCA,,PP,LLE,MDSsi chong fang fa dui shu ju jin hang jiang wei chu li zai fen xi ,zui hou yu zhi jie hui gui xiang bi jiao .jie guo biao ming zai zhi jie fen xi shu ju you yi ding de wu cha shi ,ke yi dui shu ju jin hang jiang wei chu li ,fen xi jie guo hui you yi ding de di sheng ,bing ju gao wei shu ju jiang wei hou de di sheng bi di wei shu ju jiang wei hou de di sheng jiao hao .
论文参考文献
论文详细介绍
论文作者分别是来自辽宁师范大学的王玥，发表于刊物辽宁师范大学2019-07-15论文，是一篇关于金融数据分析论文,回归分析论文,降维方法论文,辽宁师范大学2019-07-15论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自辽宁师范大学2019-07-15论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：金融数据分析论文; 回归分析论文; 降维方法论文; 辽宁师范大学2019-07-15论文;