支持向量機的AOSVR算法及其在股票預測中的應用.pdf

1、45年前F.Rosenblatt提出感知器模型以來，機器學習理論伴隨著計算機技術的發(fā)展得到長足的進步。在經歷一些挫折后，在80年代后向傳播算法的提出使神經網絡作為機器學習的一種方法得到廣泛重視和推廣。然而機器學習真正達到成熟應該是在進入90年代后統(tǒng)計學習理論被引入到機器學習領域。隨著一種新的學習方法-支持向量機(SVM)的興起，人們對機器學習有了新的認識，并且使其達到進一步的完善。本文在第一部分從方法論的角度簡要闡述機器學習理論的發(fā)展歷

2、程和經驗，而這些是目前研究者比較容易忽視的地方。隨后對支持向量機及其相關理論作簡要陳述。 支持向量機中的計算數學問題基本上關注于支持向量機二次規(guī)劃問題的數值解法上。它和普通問題的根本區(qū)別在于：它的大量樣本點形成的巨型矩陣使得二次規(guī)劃無法在有限的時間空間內完成。本文第二部分對近年提出的數值解法作歸納總結。 在眾多SVM解法中，AOSVR算法是近來提出的一種用于SVR在線算法。特別的，它比傳統(tǒng)的批處理SVR更適用于時間序列預

3、測。但它沒有考慮如何選擇影響SVR性能的參數C、ε以及核函數參數。V.Cherkassy基于SVR的統(tǒng)計特性提出一種參數選擇方式，在批處理SVR中證明具有良好的可行性。本文在AOSVR中引入V.Cherkassy方法，形成自適應參數的AOSVR。通過在線調整SVR參數達到更好的預測精度和泛化能力。另外，針對股票市場特性，本文應用AOSVR的“忘記”閾值丟掉早期數據來集中刻畫近期的股市特點。應用到上證綜合指數構成的時間序列上，取得了良好的