基于SVM的多变量股市时间序列预测研究

被引：6

作者：

金桃 ^{[1
]}

岳敏 ^{[2
]}

穆进超 ^{[2
]}

宋伟国 ^{[2
]}

何艳珊 ^{[2
]}

陈毅 ^{[2
]}

机构：

[1] 吉林广播电视大学教学处理工系

[2] 兰州大学计算机科学与工程学院

来源：

计算机应用与软件 | 2010年 / 27卷 / 06期

关键词：

支持向量机; 回归; 多变量; 交叉验证; 并行;

D O I：

暂无

中图分类号：

O211.61 [平稳过程与二阶矩过程]; N945.24 [];

学科分类号：

020208 ; 070103 ; 0714 ; 071102 ;

摘要：

目前在股市时间序列预测中,大多数采用单变量时间序列预测算法,导致预测准确度不够高。提出采用基于支持向量机SVM(Support Vector Machines)的多变量股市时间序列预测算法,来提高预测准确度。SVM训练算法中,合适的参数可以使训练模型具有更好泛化能力。交叉验证具有指导参数选择的能力,然而考虑到交叉验证算法效率不高的问题,将其并行化,既达到了参数优选的目的,又避免了传统交叉验证效率低的问题。然后,根据较优参数建立多变量SVM时间序列回归预测模型,进行预测。实验证明,预测平均绝对百分比误差控制在10%以内,并且较之单变量的SVM回归预测有更好的泛化能力。

引用

页码：191 / 194+209 +209

页数：5

共 10 条

[1] 基于小波变换域的SVM股市时间序列预测算法 [J].

杨稣 ;

史耀媛 ;

宋恒 .

科学技术与工程, 2008, (12) :3171-3174

[2] ε-支持向量回归机算法及其应用 [J].

冼广铭 ;

曾碧卿 .

计算机工程与应用, 2008, (17) :40-42

[3] 基于支持向量机的股市时间序列预测算法 [J].

杨稣 ;

史耀媛 ;

宋恒 .

科学技术与工程, 2008, (02) :381-386

[4] 关于支持向量回归机的模型选择 [J].

苏高利 ;

邓芳萍 .

科技通报, 2006, (02) :154-158

[5]

A novel algorithm of artificial immune system for high-dimensional function numerical optimization[J]. DU Haifeng 1,2*, GONG Maoguo1, JIAO Licheng1 and LIU Ruochen1(1. Institute of Intelligent Information Processing and Key Laboratory of Radar Signal Processing, Xidian University, Xi’an 710071, China;2. School of Mechanical Engineering, Xi’an Jiaotong University, Xi’an 710049, China).Progress in Natural Science. 2005(05)

[6] 股市预测中的小波神经网络方法的研究 [J].