支 援 向 量 机 於 股 价 涨 跌 预 测 之 应 用.docVIP

支 援 向 量 机 于 股 价 涨 跌 预 测 之 应 用 Using Support Vector Machines for Stock Price fluctuation Prediction 陈雅雯1 杨弘章2 杨升桦3 1南华大学信息管理所 g0112007@mail1.nhu.edu.tw 嘉义县大林镇中坑中坑里32号 2台东师范学院信息管理系副教授 hcyang@cc.ntttc.edu.tw 台东市中华路一段684号 3南华大学信息管理所 g0112014@mail1.nhu.edu.tw 嘉义县大林镇中坑中坑里32号 摘要 支持向量机(Support Vector Machine)是一个学习机器(learning machine)的新颖方法，其基础建构于统计学习理论。经由许多研究学者利用分类(classification)的方法着手实验研究于光学符号识别(OCR)[9]、手写邮政编码[3]等领域与使用回归(regression)分析运用在时间序列上做预测分析方面[4,5]都得到了良好的实验结果。在效率市场假说前提下，我们使用技术分析[3]为预测变量，以主成份分析之方法，做为股票技术指标的筛选并利用支持向量回归(Support Vector Regression)及支持向量分类(Support Vector Classify)之方法运用于台湾股票市场股价波动之预测，其实验结果皆达六成以上，甚至有些股票公司之预测正确更是高达七成，显示SVMs方法运用于此十分良好。 关键词：效率市场、主成份分析、支持向量回归、支持向量分类、技术分析 1.前言 现代人们在生活中已把投资理财当成重要的一环。当人们有多余的钱，总会想把它放在银行、投资机构、甚至股票市场来赚取利息或是资本的增值。以效率市场假说的前提下，来做股票市场的价格预测，表示在某些情况下股票是可预测的，但导致股票市场上价格的波动的因素有很多，例如：经济、政治或是消息面等因素之影响，这些变量十分的错综复杂，因此令股票价格在预测上也变得相当的困难，但若可预期其股票价格之涨跌，在适当的时机进场买卖股票，其获利的机会同时也会大增。 近年来人工智能领域的大幅进步，过去人们所遇棘手问题现在都能够交由计算机来处理，而所得到的也结果也十分令人满意。很多学者尝试以各种理论、研究方法来分析、解释台湾的股票市场，但却都得到差强人意的成果〔10-13〕。 在股票的分析指标有很多，怎样的选择才是我们最想要而且是最佳的指标呢？本研究选择以统计学为基础的技术分析，主要是以股票市场循环与历史交易波动的轨迹，将成交价、成交量等以图形方式衡量买卖供需之强弱，以推得股票价格未来的走势。 投资人可经由技术分析来判断不同时期的股票价格走势的强弱，在高价时卖出在低价时买入，以达到获利之目的。 2.文献探讨 在国内外都有很多学者利用类神经网络、统计等各种方法运用在股票市场预测方面，在此做一个以支持向量机运用在股票市场及时间序列上之回顾探讨： Alan Fan and Marimuthn Palaniswami[1]，主要的内容为以澳洲的股票市场为数据，使用SVM之支持向量分类(SVC)之方法透过八个财务指标来做分类标准，进而选择出高报酬之股票，最后以投资组合之方式求得其报酬率，在实验结果方面以208%的报酬率远远高于一般标准的报酬率(benchmark return) 71%。 K.-R. Miller et al.[5]，主要内容为以支持向量回归(SVR)的方式实验于Mackey Glass Equation 及Data Set D From the Santa Fe Competition的标准时间序列的数据（benchmark data），使用在于Huber及ε不敏感损失函数里做预测之研究，其实验结果再和类神经网络之径向基(Radial Basis Function，RBF)方法比较，实验的结果错误率明显的下降。 国外之文献尚有许多关于这方面的研究，但国内的文献目前尚未可见，在此仅提出以上二篇具代表性之文献研究探讨。 3.支援向量机(Support Vector Machines) SVM的理论基础来自于V.Vapnik等提出的统计学习理论，它的基本思想是，在小样本的学习上，如何在学习任务上来得到最佳的推广（Generalization）性能；其最佳的推广能力则是希望SVM能够学习出较平坦的曲线，对于后来新增点也能够在以最少的变化来做分类或回归的方式，以下开始由经验风险开始介绍支持向量机。 3.1 经验风险 我们根据给定的训练样本在计算出输入及输出值之间的关系。 设定训练集如下: 在学习过程中而透过一个函数f，来求得变量x,y之间的关系，在{f(x,y)}中求最佳的函数解，那它的期望风险值为