网站首页  词典首页

请输入您要查询的论文:

 

标题 支持向量机在股票预测中的应用解析
范文

    魏清晨

    

    摘 要:文章从基于支持向量机的股票预测模型的构建分析入手,对支持向量机在股票预测中的具体应用进行论述。期望通过本文的研究能够对股票预测结果准确性的提升有所帮助。

    关键词:股票;预测模型;支持向量机

    股票作为市场经济的产物,它的出现对于促进经济发展具有重要的现实意义。现如今,股票已经成为很多投资者的投资选择,为了能够从所选的股票中获利,就需要对其走势进行预测。在股票预测中,可以应用支持向量机构建模型,提高预测结果的准确性。借此,下面就支持向量机在股票预测中的应用展开分析探讨。

    一、基于支持向量机的股票预测模型的构建

    从投资风险的角度上看,股票属于高风险投资,而高风险代表着的高收益,如何在规避股票投资风险的基础上,获得最大的收益,是每一位投资者都非常关心的话题。通过对股票走势的预测,能够为投资决策提供依据,所以保证预测结果的准确性至关重要。支持向量机归属于机器学习算法的范畴,是一类线性分类器,可以按照监督学习的方式,对数据进行二元分类。下面依托支持向量机对股票预测模型进行构建。

    1.1建模思路

    中国股市最为突出的特点是国有股和法人股不流通,但指数却是按照总股本进行加权计算,所以在研究股票预测模型时只能以个股作为对象。股市中的个股在每个交易日结束后,都会有一个收盘价,由于中国股市设置了涨跌停限制,所以除新股发行之外,个股的单日涨幅不会超过涨跌停限制。换言之,股票当日的收盘价与前两天的收盘价之间不会出现过大的差值,基于这一前提,可认为股票当日收盘价为之前若干天收盘价的函数,引入支持向量机可构建股票预测模型。

    1.2预测模型的构建

    设已知训练集,然后选取适当的正数及核函数,将之转化为求取最优解的问题,在此基础上,对决策函数进行构建。假设某股票的价格x,当天收盘价为x1,前一天的收盘价为,前若干天的收盘价为。其中n为参数,可通过最终误差预报准则评价模型进行确定。中国股市的交易日从每周一到周五,为提高模型的预测准确性,可将n确定为5。输入量为:

    (xt-1,xt-2,…xt-5)T

    输出量为y=xt。当输入量与输出量全部确定之后,可以取1个连续的样本,将输入量带入后,形成全新的训练集,并以支持向量机算法进行求解。

    二、支持向量机在股票预测中的具体应用

    为了进一步验证上文构建的模型在股票预测中是否可行,从上交所选取一只股票,作为实验对象,相关数据通过大智慧软件进行获取。本次选取的这只股票在上交所的上市时间超过10年,从股票的整体走势上看,相对比较稳定。在本次实验的过程中,选取该股某一年1到10的走势情况作为训练集,从11月到12月的数据作为测试集。

    2.1实验方法

    为分析该股在不同时间窗口时的收益情况,利用未来若干个交易日的收盘价形成响应变量,并将响应变量涨幅空间在80%以上的分位数设定为正样本,低于80%的分数位设定为负样本。通过上文构建的模型,借助支持向量机和遗传算法完成参数最优化。

    2.2结果分析

    在利用单个交日期的相关数据对该股进行建模后,随着交易日的增加,模型的预测准确性随之提升,在第12个交易日时达到稳定,之后出现小幅震荡,这与股票短线技术分析的结果相吻合。在对支持向量机的参数进行最优化时,遗传算法对模型预测结果准确性的影响比较小,基本可以忽略不计。由此可见,本文提出的预测模型能够对股票的走势进行预测,且短期预测结果非常准确。

    2.3应用建议

    中国的股市是一个动态的系统,其中的数据时时刻刻都在发生变化,所以经过训练得出的预测模型,仅能对某个股票在某段时间内的走势进行有效预测,如果想要预测较长时间的走势,那么准确性会有所下降。因此,在应用基于支持向量机的预测模型,对股票进行预测时,应当引入增量学习的方法,以此来实现及时更新,为预测结果的准确性提供保障。本文所提出的这种预测模型虽然能够在股票预测中应用,但其还存在一定的缺陷,如测试集预测时的稳定性不高,导致这一问题的主要原因是股票单日涨跌幅的数据转化为样本时的阈值过于绝对。为有效决绝该问题,可在具体的应用中,通过预测值叠加的方法,获取决策值,由此能提高预测结果的准确度。

    结论

    综上所述,支持向量机作为机器学习算法之一,其在股票预测中具有良好的应用效果。通过股票预测模型的构建,利用支持向量机进行训练,并以遗传算法获取最优解,能够对股市中单只股票短时间的走势进行预测,并且预测结果非常准确。但由于影响股市的因素较多,所以个股行情也会发生一定的變化,因此,只能将预测结果作为参考,并不能将之作为股票投资的选择依据。

    参考文献:

    [1]黄敏健,刘钰萱.基于机器学习的股票趋势预测方法研究[J].现代盐化工,2019 (10):109-111.

    [2]黄炜,基于实时分布式计算的股票预测系统的设计与实现[D].哈尔滨工业大学,2018.

    [3]汪志峰.基于小波神经网络与支持向量机的股票预测及优化[D].安庆师范大学,2019.

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。

 

Copyright © 2004-2023 puapp.net All Rights Reserved
更新时间:2025/3/17 9:28:57