原创力文档- 1、本文档共5页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
一种改进的组合SOFMSVR股票价格预测模型,股票预测模型,股票价格预测模型,组合预测模型,股票预测数学模型,股票价格预测模型研究,灰色预测模型的改进,股票涨跌预测模型,股票走势预测模型,股票预测数据库模型
第27卷第5期 计算机应用与软件 Vo1．27No．5
2010年 5月 ComputerApplicationsandSoftware Mav2010
一 种改进的组合 SOFM-SVR股票价格预测模型
片 坤 徐晓钟 张益铭
(上海师范大学信息与机电学院 上海 200234)
(上海海德众业技术创新工程有限公司 上海 200234)
摘 要 股票市场价格预测一直以来都被认为是金融时序预测领域的一项具有挑战性的工作。综合 回归支持向量机 SVR和 自
组织特征函数(SOFM)技术，并引入基于过滤的特征选择算法确定重要的输入变量，在SVR核函数的参数选择上采用粒子群优化算
法(PSO)。SOFM算法将训练样本聚类，然后分别应用SVR来预测股票价格走势。最后应用上海A股的浦发银行 日数据来做股票
价格 日预测，实验结果表明，经过改进 的SOFM—SVR模型与之前的SOFM—SVR模型相比，在预测精度和训练时间上都有了较大的
提高。
关键词 组合预测 SOFM—SVR 特征选择 PSO算法
AN IMPRoVED CoM BINED SoFM ．SVR MoDEL FoR STOCK PRICE PREDICTIoN
PianKun XuXiaozhong ZhangYiming
(DepartmentofComputerScinenee，ShanghaiNormalUnivercity，Shanghai200234，China)
。(ShanghaiHead．unionTechnologyInnovationEngineeringCo．Ltd．，Shanghai200234，China)
Abstract Stockmarketpricepredictionisregardedasachallengingtaskofthefinancialtimeseriespredictionprocess．Inthispaperwe
synthesizeregressiveSVRwithself-organizingfeaturemap(SOFM)technique，introducefilter—basedfeatureselectionalgorithmtochooseim·
portantinputattributes，andadoptPSO tochoosethebestparametersofSVR kernelfunction．WeuseSOFM algorithm totrainthesamples
clustering，andemploySVR respectivelytopredictthepricetrendofstock．IntheendthedailydataofPudongDevelopmentBankdatasetof
ShanghaiA sharemarketareemployedtomakethedailypriceprediction．Experimentresultsshow thattheimprovedSOFM ·SVR model
achievesaconsiderablemeliorationoverthetraditionalSOFM—SVR modelinaveragepredictionaccuracyandtrainingtime．
Keywords Combinedprediction SOFM—SVR Featureselection Particleswarmoptimization(PSO)
向量机的性能至关重要 ，以往大多采用交叉验证法 ，但在训练和
0 引 言 测试数据 比较大的情况下耗时过大，难 以满足需要。粒子群优
化算法 (P
文档评论（0）