基于支持向量机的中国股指期货回归预测分析-regression analysis of chinas stock index futures based on support vector machine.docx

摘 要中国股指期货已经于 2010 年 4 月 16 日正式推出交易，监管者和投资者都迫 切需要借鉴相关预测的理论和方法，而前人对我国股指期货的相关研究工作多限 于交易规则和方式的制定与实施上。虽然已有许多学者以其他他金融指数为研究 对象进行了相关研究，但对参数的选择研究还不够深入，造成准确率不是很高， 而且适用用于其他指数的模型未必适用于中国股指期货指数。本文从指标的选取入手，选取了反映当日交易情况的开盘价，最高价，最低 价，收盘价，涨幅，振幅，总手，成交金额八个指标，用来回归预测第二天的开 盘价。并从同花顺股指期货交易信息系统上下载了从 2010 年 4 月 16 日至 2012年 6 月 15 日的所有日交易数据作为研究数据。用遗传算法（GA）和粒子群算法（PSO）分别优化四种不同核函数的支持向量机（SVM），构建了八种不同的中国 股指期货回归预测方案，通过实证研究的方法对这八种不同方案的准确性和时效 性进行了比较。实验证明：粒子群算法优化的线性核函数支持向量机作为中国股 指期货的回归预测的模型，具有更好的预测效果。然后本文又用建立的模型对上 证指数和中石油日 K 线指数进行了回归预测，取得了很好的预测效果，这表明此 模型也可以应用于其他金融指数的预测，具有广泛的适用性。本文达到了预期效果，不仅构建了有效的基于粒子群算法优化线性核函数的 支持向量机的中国股指期货回归预测模型，丰富了中国股指期货预测研究的内 容，而且对支持向量机的参数优化和核函数选择进行了探索，这将有助于支持向 量机参数优化理论和核函数选择方法的研究。关键字：中国股指期货回归预测支持向量机(SVM)遗传算法(GA)粒子 群算法(PSO)神经网络AbstractIn china， stock index futures has been introduced in April 16， 2010. Since the launch of Chinese stock index futures, regulators and investors have an urgent need todraw on some theories and methods about prediction. While previous studies are mostly limited to the development and implementation of trading rules and the way, or take other financial index as the subject of study which lack of deep research on parameters choice, resulting in accuracy rate is not very high.Starting from the selection of indicators, the paper selects eight indicators to forecast the next days opening price, such as the opening price, the highest price, the lowest price, the closing price, the growth rate, the vibration amplitude, the total hands and the turnover, which can reflect the transactions of the day. And we download all daily trading data of April 16, 2010 to June 15, 2012 from a stock index futures trading system named Tonghuashun. We use genetic algorithm (GA) and particle swarm optimization algorithm (PSO) to optimize the support vector machine (SVM) with four different kernel functions to form eight programs, and we have compared the accuracy and the timeliness of all the programs by empirical study. Experiments show that: the linear kernel function SVM optimiz