股市预测模型.pdfVIP

股市预测模型

基于混合ARMA模型和支持向量机

摘要：股市预测在以往的文献中已经吸引了大量的研究兴

趣。传统上，ARMA模型已经成为时间序列中应用最为广泛

的线性模型之一。但是，ARMA模型不能够轻易的捕捉非线

性模式。并且最近的研究表明，人工神经网络（ANN）方法

比传统的统计的人实现了更好的性能。人工神经网络方法在

泛化（generalization）方面经历了一定的困难，但是其生产

模式可以过度拟合数据。支持向量机（SVM）一种新型的神

经网络技术，在解决非线性回归估计问题上已经得到成功的

应用。因此，此次调查提出了在股市预测问题的支持向量机

模型上，利用ARMA模型的独特优势试图向用户提供更好的

解释力模型的混合方法。股市的真实数据集被使用来研究该

模型的预测精度。计算的测试结果是很有前景的。

关键字：BP神经网络，金融时间序列，预测，支持向量机

1.引言

股市预测因其高波动和不规则性被认为是具有挑战性的

任务。因此，许多模型已经被描绘为投资者提供更精确的预

测。尤其是，人工神经网络（ANN）方法在以前的文献中最

为频繁被使用，因为其已知的预测的效率优于其他模型。然

而，由于解释神经网络的难度，大多数应用神经网络的研究

集中在预测精度。在文献中已被报道，利用人工神经网络模

型，以很少的努力提供对破产预测过程更好的理解。此外，

由于神经网络的过度拟合在泛化方面具有困难，并且完全取

决研究人员的经验或是知识，用于选择大量的包括相关的输

入变量，隐含层的大小，学习率以及动量控制参数的预处理。

最近，在1995年首次由Vapnik提出的支持向量机（Ｓ

ＶＭ）方法近来被使用在一系列应用中，包括金融股市预

测。支持向量机（ＳＶＭ）的基础已经被Ｖａｐｎｉｋ开

发，由于许多吸引人的特点以及在广泛的问题上优异的泛

化性能使其越来越受欢迎。该制定（formulation）体现了

结构风险最小化（SRM）原则被常规神经网络采用，且已

被证明优于传统的经验风险最小化原则。SRM泛化误差上

限的最小化，用术语来说，就是在训练数据中误差最小化。

此外，SVM的解决方案可能是全局最优解，而其他神经网

络模型往往会陷入局部最优解。一般来说，支持向量机技

术被广泛认为是艺术分类的状态（thestateofartclassifier），

并且以往的研究表明，SVM预测方法优于神经网络的方法。

最初为解决分类问题开发的SVM技术可以成功地在回归

中应用。与模式识别问题只需输出是离散值不同，支持向

量回归处理（dealswith）实值函数。SVR起源于结构风险

最小化原则通过最小化泛化误差上限去估计一种功能。以

往的研究报道了SVM已经成功地在许多领域解决了预测

问题。然而，提高预测的精度性仍然是预测领域关注的首

要问题。特别是对股市的预测，即使在预测精度上轻微的

改进也可能对投资的利润产生积极的影响。据报道，混合

系统针对传统的系统在预测和分类中取得了较高的性能

水平。张【２２】在预测上结合了ARIMA和前馈神经网络

模型。这项研究提出了用ARMA和支持向量机的混合模型

区解决股票价格预测问题。

2.用于预测的混合模型

2.1自回归滑动平均模型

ARMA模型已经被波克斯（Box）和詹金斯（Jenkins）提出

了为了时间序列的描述把自回归和滑动平均模型混合。在

（Arp）p阶的自回归模型中，每个单独的值Tx可以表示为

P以前的值和白噪声，Tz的有限和：

xx

=α−1+…+αx+z(1)

t1tpt−pt

参数ai可以被尤尔·沃克方程估计，从自相关系数角度来说，

尤尔·沃克方程是一组线性方程。在（MAq）q阶的滑动平均模

型中，现值xt可以表示为Q以前的值Tz的有限和：

xz

=β+βz−1+βz(2)