改进SVR在金融时间序列预测中的应用.pdfVIP

证【券市场】 改进 SVR在金融时间序列预测中的应用 夏国恩 ，邵培基 (1．广西财经学院 工商管理系，广西 南宁 530003；2电子科技大学管理学院，四川 成都 610054) 摘要 ：针对 目前金融时间序列预测方法的不足 ，在利用训练样本与测试样本间马氏距离对惩罚 因子进行加权的基础上，改进传统的支持向量回归机(SVR)。通过 以上海证券综合指数趋势的 预测为例子，与标准BP人工神经网~-(BPANN)和 SVR方法进行 了对比，发现该方法能获得更 准确的预测结果。结果表明，该方法能充分反映股票价格时间序列趋势规律，是研究金融时间 序列预测 问题的有效方法。 关键词：股票价格；支持向量回归机 ；人工神经网络；时间序列预测 文章编号 ：1003—4625(2008)11-0095—04 中图分类号 ：830．91 文献标识码 ：A Abstract：Accordingtothedisadvantagesoftfinancialtimeserialforecast，theimproved support vectorregression (SVR)isdevelopedbyusingMahalanobisdistancebetweentrainingandtesting samplestogetweightedpenaltycoefficients．TakingShanghaiCompositeIndextrendforecastasan example，moreaccurateresultscanbeacquiredbythismethodcomparedwithnormalBPartificial neuralnetwork．Theresultsindicatethatthemethodcouldsufficientlyreflectthetrendofstock pricetimeseries，anditisaneffectiveapproachforfinancialtimeseriesforecast． Key W ords：Stock Price； Support VectorRegression；ArtificialNeuralNetwork；Time Series Forecast 一 、 引言 络虽然在一定程度上能克服上述困难 ，但其算法训 证券市场是现实生活 中典型的复杂系统，之所 练速度慢 ，学习过程误差极易收敛于局部极小点，很 以复杂，不仅是影响市场的因素众多，而且它们之 难保证学习精度。另外，这种方法只能保证在有限样 间的相互作用是非线性和时变的。系统 内部这些相 本 的情况下经验风险最小 ，无法实现期望风险最小 ， 互作用的因素或状态变量之间的关系也许永远都是 网络的泛化能力差，不能保证训练后的网络对训练 一 个谜，即难 以建立完整的描述市场 的动力方程 。 集外的样本有好的应用效果。这些不足极大地限制 如果将股票价格序列看作系统的输出，那么可以缓 了上述方法在实际中的应用 。而支持向量 回归机 解无法建立市场动力和市场方程的遗憾 。因为作为 SupportVectorRegression，SVR)则很好地解决了上 系统的输出，价格序列毕竟是影响市场各种因素相 述的一些问题，并在实际应用 中取得了很好的性能。 互作用的结果，因此，价格序列必定载有关于系统状 在标准 s—SVR方法中，设计参数 C和 8的选择 态变量的信息。为了准确地刻画和描述证券价格序 对构造 回归函数是至关重要的。参数 8表明了系统 列的变化情况，目前人们提出了许多预测方法，主要 对估计 函数在样本数据点上误差的期望 (误差要 有：传统预测方法(包括专家经验预测法 、移动平均 求)