基于PSOSVR期货价格预测.docVIP

基于PSOSVR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，它具有结构风险最小化、泛化能力较强、对数据维数限制低以及有效避免局部解等优点[1]。本文作者运用基于粒子群优化方法的支持向量机对期货中的螺纹钢合约价格进行预测。仿真结果显示用基于粒子群算法的支持向量机对期货进行预测学习精度较高，误差较小，而且泛化能力较强，具有一定可行性。 　　二、支持向量机模型 　　为使支持向量机可以实现函数拟合，Vapnik等人引入了损失函数[2]，进而得到了回归型的支持向量机，简称SVR。 　　对样本集（xi，yi），xi∈Rn，yi∈R，i=1，…，n。设回归函数为： 　　求解最优面使训练样本离该最优面的误差最小，即求解下列函数的最优解： 　　其中C为惩罚因子，C越大表示对训练误差的惩罚越重；ξ*i，ξi为松弛变量。ε为回归函数的误差要求，其越小表示回归函数的误差越小。求解这个最优化问题我们同样引入Lagrange函数： 　　求解得到： 　　最后我们在把上式代入L函数表达式利用最小二乘法得到非线性预测的表达式为： 　　其中k（x，xi）为核函数，本文选取的是RBF函数：k（x，xi）=exp（-γ||x-xi||2）。在这个模型中，惩罚因子C和RBF函数中的宽度参数γ是需要事先确定的。C选择过大的话，学习精度固然提高，但模型的泛化能力会恶化；而γ的选择则涉及向量间联系的紧密程度[3]。本文利用粒子群算法对其进行选择。 　　三、粒子群优化 　　粒子群优化由电气工程师Kennedy和社会学家Eberhart[4]受群鸟觅食的现象启发而提出。粒子群里的每个粒子代表问题的一个潜在解，适应度函数决定每一个粒子的适应度值，速度决定粒子移动的方向以及距离，而且速度是根据每个粒子自己以及群内其他粒子的移动经验进行修改，最终实现可解空间内的寻优[5]。 　　粒子群算法的基本步骤为： 　　1.初始化群体、惯性系数、加速度、最大迭代速度和最小误差。 　　2.计算初始适应值并将其作为粒子的初始局部最优值。 　　3.将初始适应值中的最大值当作全局最优值。 　　4.更新速度。 　　5.更新粒子位置。 　　6.比较新粒子适应值和个体极值、群体极值，并且更新个体极值和群体极值。 　　7.重复以上步骤直至终止条件满足。 　　8.输出结果。 　　其中，速度和位置的更新公式为： 　　四、技术指标 　　投资者为获取市场某方面信息而在价格、成交量和持仓量的基础上建立数学模型，通过公式计算得到反映市场某方面状况的数字，这就是指标值。指标值的种类繁多，大致可以分为大势型”、“超买超卖型”、“趋势型”、“能量型”、“成交量型”、“均线型”、“图表型”、“选股型”、“路径型”、“停损型”等十大类型。这些指标值能有效提炼出反映市场情况的各种信息，作为预测模型中的解释变量具有一定的合适性。在本文中，MA、MACD、EXPMA、OBJ和VROC这五个指标被包括进支持向量机的输入变量中。以下对这五个指标作简要的介绍： 　　（一）MA（移动平均线） 　　由投资专家Joseph E.Granbille提出，它帮助交易者确认现有趋势以及判断未来即将出现的趋势。计算公式为： 　　其中：p为滞后k期的价格；n为滞后期数；t为时间。 　　（二）MACD（指数平滑异同平均线）和EXPMA（指数移动平均） 　　当MACD由负数转向正数，是买的信号。