基于高斯核支持向量机和遗传算法的优化组合研究.pdf

第 34卷第 1期 经 济 数 学 Vo1．34，No．1 2017年 3月 JOURNALOFQUANTITATIVEECONOMICS Mar．20 17 基于高斯核支持向量机和遗传算法的优化组合研究 马 静 ，李星野，徐 荣 (上海理工大学 管理学院数量经济学专业 ，上海 200093) 摘 要 选用 2008~2015共 8年数据 ，首先基于高斯核的支持 向量机在沪市A股上构建周期性的投资 组合 ，并通过误差 图和评价指标与 BP神经网络、广义回归神经网络进行比较 ，结果表 明了支持 向量机在股 票预测上更具有优势．再将改进遗传算法运用于上证股票市场构建最优投资组合，以上证指数作为基准进 行比较 ，得 出混合遗传算法优化组合 的模型相 比单一模型更为有效． 关键词 机器学习；高斯核支持 向量机 ；遗传算法；投资组合 中图分类号 F064．1 文献标识码 A OptimalPortfolioResearchwithGaussianKernelSupport VectorM achineandGeneticAlgorithm MA Jing。LIXing—ye，XU Rong (SchoolofManagement-UniversityofShanghaiScienceandTechnology，Shanghai 200093-China) Abstract BasedontheGaussiankernelsupportvectormachine，aportfoliowasformedinShanghaistockmarketand wascomparedwiththeBackpropagationneuralnetworkandGeneralizedregressionneura1networkbytherelativeerrorfigure andsomeevaluations．Theresultsindicatethatsupportvectormachinehastheaddedadvantageatstockprediction．Thedaily pricedatafromJanuary2008toDecember2015wereusedtoillustratetheapplicationofsupportvectormachineandgenetical— gorithm toconstructtheoptima1portfolioinShanghaistockmarket，whichmadeacontrastwith thebenchmarkofShanghai compositeindex．Theresultsturnoutthatgeneticalgorithm optimizestheinvestmentportfolio，andthehybridmodelismore effectivethanasinglemode1． 1【y‘words machine1earning；Gaussiankernelsupportvectormachine；geneticalgorithm；optimalportfolio 分析方法模型，机器学习从大量数据中发现 隐含的 1 引 言 模式 ，构建更为复杂的模型来实现对未来 的预测更 能体现模型的优越性与实用性．研究表明，采用机器 机器学习研究计算机怎样模拟或实现人类的学 学习的方法对金融市场进行预测，将特征属性作为 习行为 ，以获得新 的知识或技能，重新组织已有的知 输入来发现其与隐藏模