基于支持向量機(jī)的金融時(shí)間序列研究.pdf

1、金融市場(chǎng)是國家經(jīng)濟(jì)運(yùn)行的核心，金融時(shí)間序列是經(jīng)濟(jì)與金融領(lǐng)域中最重要的數(shù)據(jù)類型，對(duì)這類數(shù)據(jù)進(jìn)行分析、預(yù)測(cè)和控制是整個(gè)經(jīng)濟(jì)和金融活動(dòng)的重要工作。金融時(shí)間序列由于它的非線性和小樣本特征，成為現(xiàn)代時(shí)間序列研究中最具有挑戰(zhàn)的課題。 統(tǒng)計(jì)學(xué)習(xí)理論(Statistical Learning Theory，SLT)是針對(duì)小樣本情況下的機(jī)器學(xué)習(xí)理論，其核心思想是通過控制學(xué)習(xí)機(jī)器的復(fù)雜度實(shí)現(xiàn)對(duì)學(xué)習(xí)機(jī)器推廣能力的控制。在這一理論中發(fā)展起來的支持向量機(jī)

2、(Support Vector Machine，SVM)是一種新的通用學(xué)習(xí)方法，它較以往方法表現(xiàn)出一些理論和實(shí)踐上的優(yōu)勢(shì)，已經(jīng)在模式識(shí)別、回歸估計(jì)、時(shí)間序列預(yù)測(cè)等多方面得到成功應(yīng)用。支持向量回歸(Support Vector Regression，SVR)是支持向量機(jī)用于解決回歸問題時(shí)的推廣形式。 決策樹由于算法簡(jiǎn)單和分類精度高，成為一種廣泛應(yīng)用的歸納推理方法，它能完成復(fù)雜性降維和自動(dòng)特征抽取。論文中，我們建立了一個(gè)基于金融時(shí)間

3、序列決策樹特征抽取的SVR回歸模型。實(shí)驗(yàn)表明基于決策樹和支持向量機(jī)的整合方法可以有效地提高性能。 SVM通過核函數(shù)對(duì)特征空間的映射函數(shù)實(shí)現(xiàn)非線性情況下的推廣。選擇或者構(gòu)造與特定問題相適合的核函數(shù)是提高SVR性能的一種重要途徑。在Mercer核函數(shù)構(gòu)造理論的指導(dǎo)下，本文構(gòu)造了基于多項(xiàng)式核和高斯徑向基(Gaussian RadialBasis Funciton，RBF)核的新的混合核支持向量機(jī)模型。在金融時(shí)間序列預(yù)測(cè)中，結(jié)果表明基于