基于信息粒化及支持向量机股票价格预测.docVIP

基于信息粒化及支持向量机股票价格预测摘 要：信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。本文提出了一种基于信息粒化和支持向量机的股票价格预测方法。利用长安汽车的股票数据，建立股票开盘价回归预测模型，该模型克服了传统时间序列模型仅局限于线性系统的情况。应用实例表明：该方法能有效地预测股票价格的变化范围 ? 关键词： 信息粒化；支持向量机；股票价格 ? 中图分类号： F224；F830.91 文献标识码： A 文章编号：1003-7217(2011)06-0044-04?? 一、引 言? 随着我国证券行业的飞速发展，股票投资已成为许多家庭和个人理财的一种重要方式，是很多家庭财产收入的重要组成部分。股票市场具有高风险与高收益并存的特性，股票价格的涨跌及变化趋势也一直受到政府和投资大众的密切关注，证券市场的波动也逐渐成为衡量我国经济发展水平的一个重要指标。因此，股票价格的预测已成为经济学中一个重要的研究课题。已经有很多学者做了大量的研究，也提出了很多方法。但从模型的理论基础来看我们可以将其划分为两个主要的类别：一类是以统计学原理为理论基础的波动率预测模型，其中较为常见的模型有ARCH模型和SV模型等；另一类则是以灰色理论、神经网络、支持向量机等理论为基础的预测模型。其中支持向量机方法最大的特点就是改变了神经网络中的经验风险最小化原则，转而采用结构风险最小化原则，从而具有良好的泛化能力。另外，支持向量机在处理非线性问题时，通过用一个核函数来代替高维空间中的内积运算，从而将非线性问题转化为高维空间中的线性问题，非常有效地克服了维数灾难以及局部极小的问题［1］。我国学者彭丽芳等［2］于2006年提出了一种基于时间序列的支持向量机股票价格预测方法，并对股票的收盘价进行了回归预测,克服了传统时间序列预测模型仅局限于线性系统的缺点；史耀媛［3］于2006年在分析中国股市混沌特征的基础上，提出了基于SVM的股市时间序列预测算法和股市基本趋势模式识别算法，在基于小波变换和模糊系统原理的基础上改进了基于支持向量机的股市时间序列预测算法和股市基本趋势模式识别算法；李拥军等［4］在2006年提出了一种改进的快速增量加权支持向量机算法并用于证券指数预测。上述预测方法只能得到股票价格的点预测，但在现实生活中，投资者还想知道股票价格的波动范围［5］。为此，我们先将原始数据进行粒化，在此基础上构建支持向量机的预测模型，并以此来预测股票价格的波动范围 二、基于信息粒化的支持向量机预测方法? 信息粒化（Information Granulation）这一概念最早是由L.A.Zadeh教授于1979年提出的，自此之后，研究人员对信息粒化的思想产生了浓厚的兴趣。L.A.Zadeh教授认为很多领域都存在信息粒的概念，只是在不同领域中的表现形式不同。所谓信息粒化就是把大量复杂信息按各自的特征和性能将其划分成若干较简单的块，而每个如此划分出来的块被看成一个粒，这种处理信息的过程就被称为信息粒化。例如：停车场问题的信息粒，就是按车子的性能、型号、大小或牌号而将停车场划分成若干块，其每一块将停放一种性能或一种型号或一种大小或一类区域牌号的车子［6］。粒可以是密集的或稀疏的、清晰的或模糊的，它完全依赖于粒的边界是否被准确地定义而定。例如：学校中的小学类、中学类、大学类等就是清晰粒，人类头部中的鼻子、耳朵、额头、脸等就可以看作是一种模糊粒［7］。信息粒可以表示成如下形式：? ?g?(x is G)is λ ? 其中，x是论域U中取值的变量，G是U的模糊子集，由隶属函数μ?G来刻画，λ表示可能性概率，一般假设U为实数集R(R?n)，G是U的凸模糊子集，λ是单位区间的模糊子集［8, 9］ 。模糊信息粒就是以模糊集的形式表示的信息粒，常用的模糊信息粒子有三角型、梯型、高斯型和抛物型等。? 用模糊信息粒化方法进行支持向量机回归预测的步骤如下：? 1.提取原始数据。? 2.对原始数据进行模糊信息粒化，得到粒化后的原始数据 本文拟采用三角型模糊粒子对数据进行处理，其隶属函数为：? A(x,a,m,b)=0,x＜a?x－am－a,a≤x≤m?b－xb－m,m＜x≤b?0,x＞b (1)? 财经理论与实践(双月刊)2011年第6期2011年第6期(总第174期)喻胜华，肖雨峰:基于信息粒化和支持向量机的股票价格预测 其中x是论域中的变量，a、m和b是参数。? 3.利用支持向量机对粒化数据进行回归预测 支持向量机回归的基本思想是利用非线性映射将样本数据映射到高维的特征空间中，并在该空间中进行线性回归。支持向量机的目标是寻求回归函数：? y=f(x)=(w#8226;x)+b（2）?