支持向量机在股票预测中的应用.docx

支持向量机在股票预测中的应用【摘要】股票作为金融市场最主要的金融工具之一其价格波动能够预测、以及用何种方法进行预测一直以来都是金融领域研究的焦点问题之一。在目前国内外运用的各种预测方法中统计学习理论得到了越来越高的重视。本文在介绍目前常用的股票预测方法的基础上重点介绍了基于统计学习理论的支持向量机方法在股票预测中的应用。阐述了支持向量回归机的原理然后与神经网络方法相比较显示了支持向量机预测方法的可行性和有效性。【关键词】股票预测支持向量机非线性回归神经网络一、股市预测方法股票发展至今已有300多年的历史现在已经成为国家经济的“晴雨表”。在股票市场中无论对于机构投资者还是个人投资者来说预测股票价格走势一直是人们关心的问题。（一）国内外现有股票预测方法简介目前从金融角度来讲对股票价格趋势预测有两种方法：基本面分析和技术分析。一般所讲的基本面分析是指对宏观经济面、公司主营业务所处行业、公司业务同行业竞争水平和公司内部管理水平包括对管理层的考察这诸多方面的分析。这种方法有非常系统的理论依据然而我国金融市场中广泛存在的炒作现象经常使股票的价格严重背离其基本价值使基本面分析在实务中被认同的程度不高。股票技术分析是以预测市场价格变化的未来趋势为目的通过分析历史图表、技术指标对市场价格的运动进行分析的一种方法。其目的是预测短期内股价涨跌的趋势。然而国内学者研究表明中国股市存在非线性与混沌。股市是一个十分复杂的非线性高维动态系统要对股市进行相关的预测分析是极具挑战性的。然而对股市的探索研究始终在取得新的突破。现在一些新型的技术理论的出现例如数据挖掘技术、统计学习理论、机器学习、人工智能、数理统计、信息技术等空前的发展极大的推动了相关领域的应用研究。（二）机器学习在股票预测中的应用求解非线性回归问题的方法有很多如：局部线性模型、前馈神经网络模型、径向基函数模型等。结合上述股票预测方法两种机器学习方法在实际运用中证明了其可行性。在其中神经网络模型在非线性映射中表现出其优越性被广泛应用于股票市场预测中。然而在实际应用中神经网络学习算法表现出其不足如隐含层数的选择、过你核问题、局部极小值以及泛化性能不强。20世纪90年代中期发展起来的基于统计学习的机器学习方法――支持向量机（SVM）具有良好的泛化能力。他通过寻求结构化风险最小化而非传统的经验风险最小化使风险只与输入样本数目有关而与输入的维数无关避免了“维灾数”的问题。而且SVM的结构参数从样本学习中自动确定从而克服传统神经网络结构不易确定的缺点。SVM最初应用于模式识别随着Vapnik的ε不敏感损失函数的引入SVM已经扩展为解决非线性回归问题与神经网络方法相比有显著的优越性且在非线性时间预测方面取得很好的效果。二、支持向量机理论SVM理论是在统计学习理论的基础上发展起来的。由于统计学习理论和SVM方法对优先样本情况下模式识别中的一些根本性的问题进行了系统的理论研究很大程度上解决了以往的机器学习中模型的选择与过学习问题、非线性和维数灾难问题、局部极小值问题等等。因此SVM理论越来越受到人们的重视。SVM是针对二类分类问题提出的。SVM回归问题：设已知训练集│（x1y1）…（xnyn）│其中x∈ZRny∈│1-1│是类别标记符号。i=12…n。xi是输入数据yi为对应的输出数据。样本数集中包含样本和噪声。目标是根据对训练集所包含信息的学习找到y对x的相关关系y=f（x）。回归问题分为线性回归和非线性回归两种。下面我们分别讨论线性支持向量回归和非线性支持向量回归。（一）线性可分其中λ是超参数。在实验中针对不同训练值调整表示前后两项的权重。λ越大δi占有的优化权重越大。求解过程类似线性可分引入Lagrange函数并将原问题转化为对偶问题求解。三、支持向量机预测效果及与神经网络方法的比较（一）与神经网络相比分类识别率更高投资者在选取股票时最关心的则是每股收益。因此每股收益在实证分析中通常被选为分类标准。选取每股净资产、股利支付率、每股股利、净资产收益率、留存盈利比例、流动比率、速动比率、负债比率、长期负债比率、应收帐款比率、存货周转率、销售报酬率、净利润率、投资报酬率、净值报酬率这15个影响每股收益的指标作为输入样本的属性。在张晨希等人的实证研究中对巨灵证券数据库产品3.0产品中的上市公司数据进行整理分析后所得到的样本的基本情况并利用支持向量机对样本进行了交叉训练测试。用其中9组进行学习一组用来测试循环交叉。SVM、BP、RBF三种方法的测试结果如下：分类测试得到以下结果：分类识别率为70.068%训练时