《支持向量机在股市预测中的应用》-经济学论文，金融论文-论文范文参考-科学狗论文网

标题

支持向量机在股市预测中的应用

范文

罗文婷徐庆娟唐璐薇

摘要：本文以上证综合指数2011年1月4日到2018年1月4日的股市行情为研究对象进行实证分析，建立了一个支持向量机回归机的预测模型。实证分析主要基于MATLAB软件嵌套Libsvm工具箱实现。实证分析结果表明，本文建立的针对股市预测的支持向量机回归机模型是有效的。

关键词：支持向量机股市预测 MATLAB Libsvm 回归机

一、引言

V.Vapnik[1]等人在20世纪70年代末专门针对小样本情况提出一种机器学习的统计理论。而支持向量机（support vector machine， SVM）恰恰是基于这一理论的一种新的学习方法。李海燕[2]对上证综合指数拐点举行了预测分析，于航[3]基于股指期貨高频数据，对股指期货价格变化趋势进行分类判别预测，詹财鑫[4]则对AdaBoost算法和支持向量机进行组合成SVM_AdaBoost模型，从而减少支持向量机选择核参数的复杂度，提升支持向量机的预测精度并优化了算法学习效率。

张学工[5]旨在介绍统计学习理论（STL）和支持向量机的基本思想和研究发展，以引发海外学者的进一步关注。张丽娜[6]剖析了现行股市预测，给出了基于时间序列的支持向量机预测模型。施燕杰[7]在现有预测工具对比分析的基础上，提出了基于支持向量机的股市预测方式，结果表明支持向量机比神经网络有更好的研习和泛化实力，在股市预测中获得较好的成果。此外，张玉川和张作泉[8]应用支持向量机分类方法预测和分析了单个股票的价格波动。

本文在前人研究的基础上，选取上证2011年1月4日到2018年1月4日，一共1706个交易日的开盘指数、指数最高值、指数最低值、收盘指数、交易量、交易额数据为研究对象，建立基于支持向量机的回归预测模型.以验证分析支持向量机在股市预测中的有效性。

二、支持向量机预测回归模型的建立

首先利用SPSS 20.0对前一日的开盘指数、指数最高值、指数最低值、收盘指数、交易量、交易额这六个自变量与当日的开盘指数因变量做相关系数分析，接着运用MATLAB软件Libsvm工具箱对上证指数做回归预测分析。

（一）数据预处理

由于上证开盘指数变化范围较大，可对因变量和自变量进行归一化预处理，本文用mapminmax函数来实现。

（二）模型建立

利用支持向量机对上证指数每日的开盘指数建立回归预测模型，其算法流程如图2所示。

三、实证分析

（一）参数选择

本文对SVMcgForClass.m稍作修正成SVMcgForRegress.m用来找出回归的最佳参数c和g，最终的粗略参数、精细参数输出结果如下表1。

在支持向量机训练过程中，需要对参数c和g进行优化。参数c，即对误差的宽容度。参数c越高，说明越不能容忍出现误差，容易过拟合。参数c越小，容易欠拟合。参数c过大或过小，泛化能力变差。参数g是选择RBF函数作为kernel后，该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布，g越大，支持向量越少，g值越小，支持向量越多。支持向量的个数影响训练与预测的速度。本文采用交叉验证选择最佳参数，最终通过SVMcgForRegress.m找出的最佳参数c为0.5，这时参数c正好是（0，1）范围内的中间值，说明此时泛化能力是最优，最佳参数g为2，相比粗略参数选择，参数g的值降低，说明此时支持向量个数减少，从而提高模型训练与预测的速度。

为了更形象说明每一对参数（c，g）的最佳组合，分别制画出粗略参数选择的等高线图和3D视图、精细参数选择的等高线图和3D视图。

使用Grid Search可以得到全局最优，即最佳参数c=0.5和g=2，且（c，g）相互独立，便于并行化进行。

（二）网络训练与回归预测

利用得到的最佳参数c=0.5和g=2对其进行网络训练，接着再对原始数据进行回归预测，使用由Libsvm工具箱自带的svmpredict函数。回归预测结果如图5、误差图如图6、相对误差图如图7。最终的拟合结果：均分误差MSE=4.26547e-05、相关系数为99.8811%。

由图5，开盘指数和预测值是有较好拟合的，进一步验证支持向量机对于股价预测的准确性。由图6，除了个别数据外，整体上数据的误差基本在（-0.02，0.02）内，但集中在直线y=0上下，进一步说明预测数据和原始数据是较好拟合的。由图7，相对误差范围在（-0.04，0.06）之间，个别数据在（-0.02，0.02）之外，大部分是在（-0.02，0.02）内，甚至可以说在直线y=0上下，进一步验证利用支持向量机对股价预测效果较好。

（三）验证模型有效性

为了验证模型预测的有效性，本文选取上证指数样本期后16天的数据进行测试。利用上述模型预测黄金现货日收益率，其预测值、真实值和相对误差的结果如表2。

对本文选取的上证指数样本期后16天的开盘价进行预测得到预测值与真实值的绘制图8，由图8可知支持向量机预测模型得到的预测值能较好的与真实值拟合，相对误差较小幅度递增趋势与实际均基本吻合，验证支持向量机是股市预测的一种较好方法。

参考文献：

[1]Vapnik V著.统计学习理论的本质. 张学工译.The nature of Statistical learning theory.NY：Springer Vedag，1995.

[2]李海燕.基于支持向量机算法的股市拐点预测分析[J]. 郑州大学学报，2015，1：96-99.

[3]于航.基于支持向量机模型的股指期货高频交易策略研究 [D]. 北京：北京理工大学，2015.

[4]詹财鑫.基于SVM_AdaBoost 模型的股票涨跌实证研究 [D]. 广州：华南理工大学，2013.

[5]张学工.关于统计学习理论与支持向量机[J].自动化学报，2000，26（1）：32-42.

[6]罗瑜，徐图等.基于函数逼近的改进 SMO算法研究 [J].山西大学学报（自然科学版），2007，30（3）：329-334.

[7]陈友，张国基，郭国雄.一种改进的 SVM算法及其在证券领域中的应用[J].华南理工大学学报（自然科学版）， 2003，31（7）：15-18.

[8]张丽娜.支持向量机对股市的预测及实证分析[D].青岛：青岛大学，2007.

基金项目：南宁师范大学博士科研启动项目（20180406001）。

（作者单位：南宁师范大学数学与统计学院，徐庆娟为通讯作者）

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。