基于最小二乘支持向量机的复杂金融时间序列预测.pdfVIP

清华大学学报(自然科学版)2008年第48卷第7期 2l／41 —ISSN10—00-0054 CN 11-2223／NJ Univ(Sei＆Tech)，2008，V01．48，No．7 1147—1149 Tsinghua 基于最小二乘支持向量机的复杂金融时问序列预测 辛治运1’2， 顾明2 (1．清华大学计算机科学与技术系，北京100084；2．清华大学软件学院，北京100084) 摘 要：为了解决神经网络算法预测海量金融时间序列数 目前，对金融时间序列预测的研究有很多。文 据会出现训练速度慢，内存开销大等问题，提出一种基于最 [1]采用神经网络来预测股票市场涨跌，文[2]采用 小二乘支持向量机的复杂金融数据时间序列预测方法。该方 径向基函数(RBF)神经网络对股票市场进行预测和 法将传统的支持向量机中的不等式约束改为等式约束，且将 建模。文[3]给出了一种简化的Elman网络，并将这 误差平方和的损失函数作为训练集的经验函数，这样把二次 种自反馈神经网络应用于股价等的预测。文[4]就一 规划问题转化为求解线性方程组问题，提高求解问题的速度 种基于混合方法的关系数据挖掘进行了研究，并将 和收敛精度。实验中以证券指数为实验数据，对大批量金融 其应用于汇率、股市大盘方向等的预测。文[5]提出 数据进行了时间序列预测，相比于神经网络预测方法，该方 了一种根据技术图表启发发现纽约证券交易所综合 法在大批量金融数据时间序列预测的训练时间、训练次数和 预测误差上都有了明显提高，对复杂金融时问序列具有较好 指数交易规则的方法。文E6]将支撑向量机(SVM) 的预测效果。 及其改进算法应用到时间序列的预测。事实上，自从 Vapnik提出新型统计理论学习方法支持向量机以 关键词：金融数据；时间序列预测，支持向量机 来，支撑向量机在分类、预测等方面表现出了良好的 311 中图分类号：TP 文献标识码：A 性能，应用到模式识别和非线性函数估计，具有运算 文章编号：i000—0054(2008)07—1147—03 简单、收敛速度快、精度高等优点。 面对大量的金融时间序列数据，如何以准确的 financialdatatimeseries Complicated 调查统计资料和金融信息为依据，从金融数据的历 based onleast forecastinganalysis square史、现状和规律出发，运用科学的方法，对金融数据 vectormachine support 的变化规律进行预测，是金融信息领域研究的一个 XIN Zhiyunl”．GUMin92 热点问题。本文提出一种基于最d、乘支撑向量机