基于支持向量机的中国股指期货回归预测研究.pdf

DOI:10.16381/j.cnki.issn1003-207x.2013.03.002第卷第期中国管理科学,年月,文章编号一一一基于支持向量机的中国股指期货回归预测研究赛英`,张凤廷`,张涛山东财经大学管理科学与工程学院,山东济南山东财经大学会计学院,山东济南摘要本文针对股指期货预测的特点,选择对股指期货指数有重要影响的相关指标,首次提出用支持向量机方法对其进行回归预测,并用遗传算法和粒子群算法分别优化四种不同核函数的支持向量机,构建了八种不同的中国股指期货回归预测方案,用实证研究的方法对这八种方案的准确性和时效性进行了比较。实验结果表明粒子群算法优化的线性核函数支持向量机作为中国股指期货回归预测的模型,具有更好的预测效果。关键词中国股指期货支持向量机遗传算法粒子群算法回归预测中图分类号文献标识码金融方面的预测研究,例如,和仁`一了用引言支持向量回归机对股票价格进行了预测研究在我国,沪深。股指期货合约已经于年和仁口对支持向量机和神经网络在金融预月日上市交易,两年以来的日交易数据为对其测方面进行了比较研究川用支持向量机对股进行预测研究提供了必要条件。但是,股指期货市指趋势进行了预测研究,但是,还未有学者用支持向场是一个极其复杂的动力学系统,高噪声、非线性和量机对股指期货指数进行回归预测。另外,上述学投资者的主观性等因素决定了对其进行预测的困者的研究只是证明了支持向量机相比于其他方法具难。神经网络以其良好的非线性逼近能力和自学有更强的容错能力和泛化能力,具有更好的预测效习、自适应等特性,成为目前比较流行的预测手段。果,却没有就支持向量机参数的选择进行深人研究,然而由于其基于经验风险最小化准则,在训练中最而的惩罚参数`和核函数参数对预测准确小化样本点误差,因而不可避免地出现过学习现象,率有着重要影响。本文提出用遗传算法和粒子群算模型的泛化能力受到了限制,同时易出现陷人局部法这两种智能优化算法对四种核函数的支持向量机最小点的问题,这都极大地影响了预测效果。进行优化,选择出合适的参数。和了,找出最适合对针对以往方法的这些不足,我们提出了一种基中国股指期货进行回归预测的模型,从而提高了预于支持向量机的股指期货预测方法。支持向量机测的准确性和时效性。是一种机器学习方法,它的基础是相关技术的基本原理创建的统计学习理论,采用了结构风险最小化准则,而且由于它是一个凸二次优化问题,能保证找到的支持向量机的基本原理极值解就是全局最优解。借助的这些特点,支持向量机是由线性可分情况下的最优分类平利用基于支持向量机的预测模型克服了神经网络过面发展而来,其基本思想可用图所示的两类线性学习和易陷人局部最小的两大弱点,并在实证研究可分情况说明。中取得了较大的精度。图中,实心点和空心点分别代表两类样本,目前,虽然已有一些学者将支持向量机应用于为最优分类超平面,,和分别为过两类离分类超平面最近的样本且平行于最优分类超平面的平收稿日期一一修订日期一一面它们之间的距离叫做分类间隔所谓最优分类基金项目国家自然科学基金资助项目。。,。作者简介赛英一,女汉族,山东济南人,山东财经大学超平面就是要求分类面不但能将两类训练样本正确管理科学与工程学院,教授,博士,研究方向数据挖分开,而且使分类间隔最大。和上的距离最掘与商务智能优分类超平面最近的样本向量称为支持向量。使分中国管理科学年一批,,多项式核函数,,准丁“,径向基核函数,一二一二、,核函数,`准了。其中的为本文要优化的核函数参数。此时分类函数变为劝一占,、、一,,曰,必,,,其中一音一一`二自一“一`'一`'一”、'一叽粼'“'分类间隔艺,二,,。公式中。。,为惩罚参之一图线性可分数,二,为核函数仁,一习。类间隔最大从而提高模型的推广能力,这是于年年将用于求解分的核心思想。类问题的支持向量机应用于回归问题,提出了。一支设样本、为维向量,一,,…,,为训练持向量回归机。支持向量回归机的解同样依赖于核样本数。根据每个属于`一或者。一,组成函数和惩罚参数。样本集,,、,、任“,,任一,。设分类超平遗传算法的基本原理面方程为场一,则归一化的样本集满遗传算法模仿生物界“优胜劣汰”的生物进化原足理,通过选择、交叉、变异操作,及其适应度函数本文为训练函数对个体进行筛选,适应度值夕,甲,全,,…,根据最优分类面的定义,可得分界面的分类间本文为训练得到的均方误差好的被保留下来,差的被淘汰,新群体继承了上一代的信息,又优于上一隔为“,“,咄针烈,此时使分类间代。这样反复循环,直到满足条件为止。遗传算法隔最大等价于使最小,从而我们可知寻找最的基本操作有选择、交叉和变异操作。选择操作是优超平面问题就转化为在条件约束下的二次规指按照概率与适应度值成正比从旧种群中选择个划问题体到新种群中。交叉操作是指从种群中选择两个个,,、体,通过染色体的交换组合