基于群體智能算法的金融時間序列預測研究.pdf

1、金融時間序列預測根據金融交易品種(如股票)的歷史交易數據對其未來價格進行預測,可以幫助投資者規(guī)避風險,獲得更高的收益。但是金融時間序列極為復雜,是非線性、非平穩(wěn)、高噪聲的確定性混沌時間序列,因而金融時間序列預測被視為現(xiàn)代時間序列研究中最富挑戰(zhàn)性的課題。
　　目前,支持向量回歸(SVR)被廣泛應用于金融時間序列預測,并表現(xiàn)出比傳統(tǒng)的人工神經網絡更強的預測能力。這主要是由于SVR是基于統(tǒng)計學習理論的機器學習算法,具有良好的非線性逼近能

2、力,收斂速度快,具有全局最優(yōu)解,泛化能力強。本文基于SVR進行金融時間序列預測,并結合機器學習、人工智能領域的各種方法提高金融時間序列預測的精度。
　　SVR的超參數、核心函數參數對SVR的預測精度和泛化能力有較大影響,本文采用群體智能中的粒子群優(yōu)化(PSO)算法進行參數選擇,提高SVR的訓練效率,確保SVR的預測精度。
　　本文還分析了SVR輸入向量的選取對金融時間序列預測精度的影響。實驗表明,選擇合適的輸入向量,可以得到

3、更好的預測效果。
　　研究中發(fā)現(xiàn),單一SVR模型不能有效預測具有非平穩(wěn)性的金融時間序列,其預測精度容易出現(xiàn)較大波動,影響總體的預測精度。本文借鑒集成學習的思想,提出一種混合多個SVR模型的預測算法。該算法選取訓練數據的不同子集訓練出多個SVR模型,預測時使用合理的權重將多個模型的預測結果結合起來,利用模型間的多樣性,降低總體預測誤差。各個模型的權重根據其最近的預測精度動態(tài)調整,因此算法具有自適應性,能應對非平穩(wěn)性所帶來的問題。在全