基于PSO—SVR期货价格预测.docVIP

基于PSO—SVR期货价格预测 　　【摘要】本文建立基于粒子群优化（PSO）的支持向量机（SVR），实现对期货价格的有效预测。首先选取代表性的技术指标、收盘价和成交量作为样本特征集，以下一时刻的收盘价作为输出变量。然后通过粒子群优化算法寻找最优的惩罚因子和RBF函数的宽度参数，在此基础上建立支持向量机模型，并用样本集进行训练。最终仿真结果显示基于粒子群算法的支持向量机模型具有学习精度高、泛化能力较强的性质，可用于期货价格的短期预测。 【关键词】粒子群优化算法 支持向量机 技术指标 价格预测 一、引言 自2000年开始，中国的期货市场快速腾飞，一方面期货的交易量在不断增加：从2000年的5462.07万手的年成交量到2012年的14.5亿万手；另一方面期货的品种也在不断丰富：从商品期货的橡胶、塑料等到现在关注度较高的金融期货如国债期货、股指期货等。作为重要的衍生产品，期货合约交易已经成为现今人们套期保值、套利以及为市场价格发现的重要渠道。而对于参与期货交易的投资者而言，未来价格的预测无疑是构建投资策略最关键的依据。目前常用的预测方法有：定性预测、时间序列预测、回归预测、马尔科夫预测、神经网络预测和支持向量机预测等。由于期货市场是一个极度复杂的非线性系统，传统线性方法的预测效果受到比较大的限制。而基于统计学习理论的支持向量机是一种可以实现非线性拟合的重要数学工具，它具