基于加權(quán)支持向量機(jī)的金融時(shí)間序列預(yù)測(cè)

摘要:金融時(shí)間序列數(shù)據(jù)的預(yù)測(cè)是商業(yè)領(lǐng)域的熱點(diǎn)問(wèn)題，對(duì)金融時(shí)間序列進(jìn)行準(zhǔn)確的預(yù)測(cè)，對(duì)金融投資決策與風(fēng)險(xiǎn)管理具有特別重要的意義。針對(duì)金融時(shí)間序列的特點(diǎn)，對(duì)傳統(tǒng)支持向量機(jī)進(jìn)行了改進(jìn)，提出了基于加權(quán)支持向量機(jī)的金融時(shí)間序列預(yù)測(cè)方法。研究表明，與傳統(tǒng)金融時(shí)間序列預(yù)測(cè)方法比較，基于加權(quán)支持向量機(jī)有效地提高了金融時(shí)間序列預(yù)測(cè)的精度。

關(guān)鍵詞:商業(yè)領(lǐng)域;金融時(shí)間序列預(yù)測(cè);支持向量機(jī)

中圖分類(lèi)號(hào):F224.9 文獻(xiàn)標(biāo)識(shí)碼:A

Financial Time Series Forecasting Based on Weighted Support Vector Machine

WU Jiang， LI Tai-yong

(School of Economic Information Engineering， Southwest University of Finance and Economics，

Chengdu 610074， China)

Abstract:The forecasting of finance time series data is hot spot in business fields. Precise forecasting on financial time series has particular importance on financial investment decision-making and risk management. In view of characteristics of financial time series， the paper improves traditional support vector machine， and proposes financial time series forecasting methods based on weighted support vector machine. Studies show that compared with traditional financial time series forecasting method ，weighted support vector machines-based effectively improves the accuracy of financial time series forecasting.

Key words:business; financial time series forecasting; support vector machine

金融市場(chǎng)是國(guó)家經(jīng)濟(jì)運(yùn)行的核心，探求金融市場(chǎng)的變化規(guī)律、進(jìn)行有效的金融管理、提高金融投資效率是各國(guó)政府與投資機(jī)構(gòu)孜孜以求的目標(biāo)之一。金融數(shù)據(jù)絕大多數(shù)是時(shí)間序列(Time Series)數(shù)據(jù)，因此，對(duì)金融時(shí)間序列進(jìn)行準(zhǔn)確的預(yù)測(cè)對(duì)金融投資決策與風(fēng)險(xiǎn)管理活動(dòng)具有特別重要的意義。

傳統(tǒng)的金融時(shí)間序列預(yù)測(cè)技術(shù)包括統(tǒng)計(jì)回歸、神經(jīng)網(wǎng)絡(luò)等方法。統(tǒng)計(jì)回歸建模方法要求時(shí)間序列具有平穩(wěn)性、正態(tài)性、獨(dú)立性，不適用于復(fù)雜時(shí)間序列。神經(jīng)網(wǎng)絡(luò)具有很好的非線性逼近能力，但存在模型結(jié)構(gòu)難以確定，易于出現(xiàn)過(guò)度訓(xùn)練和訓(xùn)練不足，陷入局部最小，且對(duì)連接權(quán)初值敏感，過(guò)度依賴設(shè)計(jì)技巧。支持向量機(jī)(Support Vector Machines，SVM)是一種以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理為基礎(chǔ)的新方法。因此，具有其它以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理為基礎(chǔ)的方法難以比擬的優(yōu)越性，能夠保證得到的極值解是全局最優(yōu)解。本文針對(duì)金融時(shí)間序列的特點(diǎn)，提出了一種改進(jìn)的加權(quán)支持向量機(jī)回歸算法用于金融時(shí)間序列的建模。實(shí)驗(yàn)結(jié)果表明，該方法有效地提高了金融時(shí)間序列預(yù)測(cè)的精度。

一、支持向量機(jī)回歸理論

利用支持向量機(jī)進(jìn)行回歸和預(yù)測(cè)的基本原理是:通過(guò)用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換到一個(gè)高維空間，在該高維空間中進(jìn)行線性回歸，從而尋找輸入變量和輸出變量之間的一種非線性關(guān)系。即將低維特征空間的非線性回歸問(wèn)題轉(zhuǎn)化為高維特征空間線性回歸問(wèn)題解決。具體的方法如下:

四、人民幣匯率預(yù)測(cè)的實(shí)證分析

本文采用2006年5月至2007年4月的人民幣/美元(每100美元)的日匯率值，共243個(gè)數(shù)據(jù)進(jìn)行實(shí)證分析。其中使用2006年5月份至2007年3月份的數(shù)據(jù)(共222個(gè))建立預(yù)測(cè)模型，預(yù)測(cè)2007年4月的日匯率值(共21個(gè))，并驗(yàn)證預(yù)測(cè)效果。所有匯率數(shù)據(jù)來(lái)自中國(guó)國(guó)家外匯管理局提供的統(tǒng)計(jì)數(shù)據(jù)。用于訓(xùn)練的原始時(shí)間序列(2006年5月至2007年3月，共222個(gè)數(shù)據(jù))。

利用上述數(shù)據(jù)，使用加權(quán)支持向量機(jī)方法訓(xùn)練出預(yù)測(cè)模型，并對(duì)2007年4月的匯率數(shù)據(jù)進(jìn)行了一步預(yù)測(cè)。

從預(yù)測(cè)結(jié)果可以明顯看出，加權(quán)支持向量機(jī)器回歸方法的預(yù)測(cè)曲線和真實(shí)數(shù)據(jù)比較接近，預(yù)測(cè)效果較好。此外，為了更好地說(shuō)明加權(quán)支持向量機(jī)回歸方法在金融時(shí)間序列預(yù)測(cè)上的優(yōu)良特性，分別使用上述的訓(xùn)練數(shù)據(jù)，采用ARIMA回歸模型、神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測(cè)模型，對(duì)2007年4月的匯率數(shù)據(jù)進(jìn)行了一步預(yù)測(cè)，并與加權(quán)支持向量機(jī)預(yù)測(cè)模型進(jìn)行比較。采用MAPE對(duì)上述三種方法的預(yù)測(cè)誤差進(jìn)行衡量，在預(yù)測(cè)過(guò)程中，加權(quán)支持向量機(jī)，ARIMA回歸模型和神經(jīng)網(wǎng)絡(luò)三種預(yù)測(cè)模型的MAPE平均值分別為0.086794，0.136246和0.126657，加權(quán)支持向量機(jī)方法的預(yù)測(cè)誤差是最小的。由此可見(jiàn)，加權(quán)支持向量機(jī)方法用于金融時(shí)間序列的預(yù)測(cè)是可行有效的。

五、結(jié)論

對(duì)金融時(shí)間序列進(jìn)行準(zhǔn)確的預(yù)測(cè)對(duì)金融投資決策與風(fēng)險(xiǎn)管理活動(dòng)具有十分重要的意義。本文采用加權(quán)支持向量機(jī)回歸方法，通過(guò)對(duì)金融時(shí)間序列建模預(yù)測(cè)的研究， 給出了加權(quán)支持向量機(jī)方法建立金融時(shí)間序列預(yù)測(cè)模型的一般步驟和仿真預(yù)測(cè)。實(shí)證結(jié)果表明，加權(quán)支持向量機(jī)具有極強(qiáng)的逼近能力，可以有效地逼近時(shí)間序列難以定量描述的相互關(guān)系， 為金融時(shí)間序列預(yù)測(cè)提供了一種更為有效的方法。在未來(lái)的研究工作中，如何把加權(quán)支持向量機(jī)和其他時(shí)間序列預(yù)測(cè)方法有效的結(jié)合，提高預(yù)測(cè)的精度和泛化能力將是研究的重點(diǎn)。

參考文獻(xiàn):

[1] Han JW， Kamber M. Data Mining: Concepts and Techniques. San Francisco: Morgan Kaufmann Publishers， 2001.

[2] Francis E. H. T ，L. J . Cao. Modified support vector machines in financial time series forecasting[J].Neurocomputing，2002(48):847 - 861.

[3] Zhang Meng ， Fu Lihua ， Wang Gaofeng ， Hu Jicheng. Weighted proximal support vector machines : robust classification[J].Wuhan University Journal of Natural Sciences，2005，10(3):507-510.

[4] 李擁軍，奉國(guó)合，齊德昱.快速增量加權(quán)支持向量機(jī)預(yù)測(cè)證券指數(shù)[J].控制理論與應(yīng)用，2006，23(5).

[5] 曲文龍，樊廣佺，楊炳儒.基于支持向量機(jī)的復(fù)雜時(shí)間序列預(yù)測(cè)研究[J].計(jì)算機(jī)工程，2005，21(23).

[6] 董輝，傅鶴林，冷伍明.支持向量機(jī)的時(shí)間序列回歸與預(yù)測(cè)[J].系統(tǒng)仿真學(xué)報(bào)，2006，18(7).

(責(zé)任編輯:石樹(shù)文)