基于小波神经网络与支持向量机的股票预测及优化

论文摘要

股票市场数据通常具有极强的波动性,对股票市场数据的预测一直以来都是金融领域的重要课题。股票预测即对股票价格指数的运行趋势进行预测,这也是国内外在统计金融领域的研究热点。传统的股票预测方法主要是线性预测法,其中较为常见的就是建立自回归移动平均模型。在金融研究领域,自回归移动模型（ARIMA）是一种主要的预测手段,这是一种线性的预测方法,其对一些平稳数据的预测效果较好,但是对具有强波动性的股票数据往往效果欠佳。由于ARIMA模型的非线性预能力较差导致其始终无法产生较为满意的预测结果,研究者需要寻找更多适用于股票预测的方法。机器学习对金融行业数据的处理有着得天独厚的优势,其能精准分析同一时间内的大量股票数据或财务数据的变动,并很快得出相应的结论,这样使金融市场的运行效率得到显著提高。在股票市场的趋势预测方面,其能运用股价指数的相关特征对股票市场数据进行预测,在财务数据管理方面,机器学习算法可对公司的资产负债表、现金流量表等财务数据进行有效分析。我们需要寻找一些可以对非线性数据具有良好适应性的预测方法,所以拟用机器学习的相关算法,本文采用的是小波神经网络（WNN）和支持向量机（SVM）。小波神经网络是将小波与神经网络结合的理论方法,这种方法融合了两种理论的优点,是一种有效的股票预测方法。支持向量机以坚实的数学理论做支撑,其采用核函数方法可以有效解决一些复杂计算,并应用结构风险最小化原则使得这种方法在金融预测领域广受推崇。使用BP算法的WNN收敛速度慢且易陷入局部最小,为改善模型性能,提高预测精度,拟用用粒子群算法（PSO）优化WNN,优化WNN参数以建立股票预测模型PSO-WNN。为了遵从实验的逻辑性,同样建立股票预测模型PSO-SVM。运用MATLAB进行仿真实验,通过分析实验结果,证明小波神经网络和支持向量机在股票预测中的可行性。设定相关统计指标衡量预测效果,评估优化效果,并分析比较模型在优化后的预测性能,最后综合分析整体的预测性能。

论文目录

摘要

abstract

第一章绪论

1.1 股票预测

1.1.1 研究背景

1.1.2 研究方向

1.2 机器学习与人工智能

第二章机器学习与统计分析

2.1 统计分析

2.1.1 机器学习的统计基础

2.1.2 线性模型的回归方法

2.2 数据建模

2.2.1 数据的收集与预处理

2.2.2 数据的可视化分析

2.2.3 特征的选择与提取

2.3 本章小结

第三章小波神经网络预测

3.1 小波理论概述

3.2 神经网络

3.2.1 神经元模型

3.2.2 误差逆传播算法

3.2.3 激活函数与损失函数

3.2.4 网络学习率

3.3 小波神经网络股票预测模型

3.3.1 WNN的拓扑机构

3.3.2 WNN算法

3.3.3 WNN股票预测模型的构造

3.3.4 WNN的参数优化

3.4 本章小结

第四章支持向量机预测

4.1 支持向量机概述

4.2 支持向量机模型

4.2.1 超平面与支持向量

4.2.2 非线性分划

4.2.3 核函数

4.2.4 分类机与回归机

4.2.5 支持向量机与统计

4.3 支持向量机股票预测模型

4.3.1 SVM股票预测模型的构造

4.3.2 SVM的参数优化

4.4 本章小结

第五章粒子群优化算法

5.1 优化问题

5.2 仿生智能计算

5.3 粒子群优化算法

5.3.1 基本型和标准型

5.3.2 粒子群优化算法的拓扑结构

5.4 粒子群算法的参数分析

5.4.1 惯性权重的调整

5.4.2 学习因子的调整

5.5 本章小结

第六章实验设计与分析

6.1 数据来源及处理

6.2 仿真实验

6.2.1 PSO-WNN的仿真实验

6.2.2 PSO-SVM的仿真实验

6.2.3 预测性能评估——上证指数

6.2.4 多组数据的预测

6.3 实验总结与展望

第七章全文总结

致谢

符号表

参考文献

附录：读研期间科研情况

文章来源

类型: 硕士论文

作者: 汪志峰

导师: 钱萌

关键词: 机器学习,小波神经网络,支持向量机,粒子群算法,股票预测

来源: 安庆师范大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,金融,证券,投资

单位: 安庆师范大学

分类号: F224;F830.91

总页数: 59

文件大小: 2586K

下载量: 755

基于小波神经网络与支持向量机的股票预测及优化

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢