论文部分内容阅读
支持向量机是以统计学习理论为基础,建立在VC维和结构风险最小化原则之上的一种人工智能方法。它在多数情况下可以克服“维数灾难”和局部极小等传统困难,因此拥有很强的泛化能力。该技术现已成为机器学习的研究热点,并在模式识别、图像分类等很多领域得到了成功应用。目前支持向量机主要应用于解决分类和回归问题,很少用于时间序列预测。时间序列预测是指通过有限的历史样本建立模型,利用模型解释数据的统计学规律以达到控制和预报的目的。预报只是预测的一个方面,而预测一个最重要的功能就是把未来不确定的风险转化为可测算风险。尽管不确定性未知,但风险却可以通过概率分布的统计来度量,比如经验风险、结构风险和各种损失函数等。预测的误差是不可避免的,预测者所能够做的就是尽可能的找到更出色的预测技术来不断降低预测的误差,从而使投资人的目标函数尽可能的利益最大化同时风险最小。近年来,对金融工程研究已成为一大热点,人们将神经网络、混沌理论、遗传算法以及系统理论和当代应用数学研究的最新进展等众多理论与方法应用于金融时间序列预测。本文将最小二乘支持向量算法与时间序列模型相结合应用于金融领域的预测,以期得到更好的推广。文章绪论部分介绍了课题提出的背景和现状,预测的分类和发展以及本论文的主要内容和组织结构。第二章介绍详细介绍了支持向量回归理论,是第四章金融时间序列预测的理论基础。第三章介绍了时间序列模型用于预测的经验方法和多用于金融数据预测的条件异方差模型,是第四章实验的模型基础。第四章主要针对我国证券指数、股指期货合约数据,采用支持向量回归算法和条件异方差模型相结合的算法来对其未来的走势进行预测。在实验过程中,描述实验的数据来源和数据处理过程,给出实验方法和实验步骤,并预测结果,最后对比单纯性的回归预测结果和条件异方差模型预测结果,得出结论:基于支持向量机的预测结果最优。