基于SVM的上证指数预测研究.docx

基于SVM的上证指数预测研究
一、引言
随着信息技术和金融市场的不断发展，股票市场的大幅波动越来越频繁，因此股票市场预测越发重要。ShanghaiCompositeIndex(SHCI)作为中国股市的重要参考指数之一，预测其涨跌对投资者、金融机构等有重要意义。本文基于支持向量机（SupportVectorMachine，SVM）理论，尝试对SHCI进行预测，并对其效果进行评估。
二、SVM简介
SVM是机器学习中常用的一种分类、回归方法。SVM的核心思想是将数据转化到更高维度的空间，进而使其在该空间内更容易进行分类或回归。SVM是基于学习理论中的结构风险最小化（StructuralRiskMinimization，SRM）原理，通过最大化分类间隔距离的方式，找到最优分类超平面的过程。
三、模型建立
本文基于历史SHCI的开盘价，收盘价，最高价，最低价，成交量以及成交金额等六个指标作为特征维度，利用SVM的回归模型对SHCI进行预测。为了保证模型的稳定性，我们对该数据进行了预处理，并将其分为训练集和测试集。测试集占整个样本个数的10%。
四、实验结果
经过训练后，我们得出了如下的实验结果：在测试集上，RMSE(RootMeanSquareError)为286.84，MAPE(MeanAbsolutePercentageError)为3.04%，表明该模型预测效果较好。同时，我们对模型所选取的特征重要性进行了分析，结果如下：成交金额、收盘价和成交量是该模型预测SHCI的最重要三个特征维度。
五、结论与展望
本文利用SVM模型对SHCI进行了预测，并且得到了较好的效果。然而，本文仍有一些问题需进一步探究。首先，本文可以从特征维度的角度进行分析，寻找更好的特征维度组合方式。其次，我们可以尝试改进SVM模型，进一步提升模型预测效果。最后，我们可以比较不同回归模型的预测效果，进一步优化模型。