模糊SVM在股市预测中的算法研究和应用.pdfVIP

184 经济与管理研究 模糊SVM在股市预测中的算法 研究与应用 马法尧 [摘要]针对现有模糊支持向量机(SVM)使用中直接选择模糊隶属度存在的不足，本文提出了一种对 模糊隶属度进行优化的新方法。该方法通过选取曲率变化大、形式简单的幂函数作为候选隶属度函 j数，并采用格子搜索法寻找最优参数，从而可以确定出最优模糊隶属度。仿真实验表明：在利用模糊 SVM训练时间序列数据集时，采用本文方法确定最优模糊隶属度，比目前常用选择模糊隶属度的方法 效果好。 [关键词]模糊支持向量机；模糊隶属度；格if-搜索；最优模糊隶属度；选择模糊隶属度 中图分类号：F224 文献标识码：A 文章编号：1004--3926(2006)10珈184珈3 ● ●。。………………………………………………………………………………………………………■ 作者简介：马法尧(1974一)，男，西华大学管理学院讲师，主要研究方向为统计学和计算机应用。四川成都 610039． 一、引言 众所周知，不同样本重要性的递增程度通常不可 能完全一致，因此，上述直接对所有样本赋予相同 作为统计学习理论中结构风险最小化准则的 模糊隶属度的方法，势必会影响模糊SVM的预测 具体实现，支持向量机(SVM)具有结构简单、全局 效果。基于这样的考虑，本文提出了一种对模糊 最优、泛化能力较好的优点，近几年得到了广泛的 隶属度进行优化的新方法。通过对候选模糊隶属 研究。在标准分类支持向量机(SVM)中，在SVM 度集进行格子搜索，找出最好的模糊隶属度，从而 中唯一的自由变量就是C，它控制分类间隔和错 构成一种预测效果较好的模糊SVM。实验表明： 分样本的个数(C为无穷时要求无错分样本)…， 在模糊SVM训练时间序列数据集时，采用本方法 也即是控制对错分样本的惩罚程度。不同样本的 确定最优模糊隶属度，比目前常用选择模糊隶属 C(惩罚参数)是相同的，即对不同样本偏离精度的 度的方法效果好。 惩罚是相同的j但在实际应用中，对某些重要的 样本数据，常常要求有小的训练误差，而对那些重 二、模糊SVM原理 要性相对较低的样本数据，则可以容许一定大小 在模糊SVM中，由于近期数据的重要性要高 的训练误差，如股市预测、期货预测、电力负荷预 于早期数据的重要性。也就是说，不同的样本数 测等动态变化比较剧烈的时间序列预测问题，近 据，其重要性也会不同，因此，对于每一个样本xi 期数据的重要性要远远高于早期数据的重要性。 都有一个对应的模糊隶属度0Si1，Si可以认 也就是说，不同的样本数据，其精度要求也会不 为是xi隶属于某一类的程度，也可以认为是该样 同。因此，在描述优化问题时，每个样本数据应具 本的重要程度。 有不同的惩罚系数，即各样本对应的C是不同的， 在常规SVM的n个样本基础上加入模糊隶 从而得到更准确的分类估计。基于上述考虑，研 属度：(Y。，五，s，)，…(Y。，X。，S。)。式中Y。∈ 究人员提出了模糊支持向量机心儿3|。由于考虑到 了各训练样本重要性的差异，并通过给不同样本 零的值。 的c赋予不同权重Isi，使得模糊支持向量机方法 由于模糊隶属度Si是样本置隶属于某一类 可以显著改善系统的泛化能力旧儿3|