基于PCA-SVM組合模型的股票價格預(yù)測

胡照躍　白艷萍

(作者單位：中北大學理學院數(shù)學系)

?

基于PCA-SVM組合模型的股票價格預(yù)測

胡照躍白艷萍

股票市場是個非穩(wěn)定的時間序列，本文將支持向量機與主成分分析(PCA-SVM)結(jié)合對股票進行回歸預(yù)測分析，以奧特迅(002227)為對象進行建模和預(yù)測研究。選取奧特迅90天的股票技術(shù)指標歷史數(shù)據(jù)作為訓(xùn)練樣本對收盤價進行預(yù)測，10天數(shù)據(jù)進行檢驗，并通過圖像擬合來驗證神經(jīng)網(wǎng)絡(luò)股票預(yù)測的可行性和準確性。

支持向量機；主成分分析；股票預(yù)測

1.引言

股票是市場經(jīng)濟的產(chǎn)物，股票的發(fā)行與交易促進了市場經(jīng)濟的發(fā)展。對股票投資者來說，未來股價變化趨勢預(yù)測越準確，對利潤的獲取及風險的規(guī)避就越有把握。傳統(tǒng)的股票技術(shù)分析方法有移動平均線法、點數(shù)圖法、K線圖法等，它們可以預(yù)測一段時間內(nèi)股指變換的大致走勢，但短期股票價格的變化往往是投資者更感興趣的信息。不少研究者將目光投向基于人工神經(jīng)網(wǎng)絡(luò)建立的預(yù)測模型，并取得了較好的預(yù)測效果[1]。SVM對經(jīng)驗的依賴較小，能夠獲得全局最優(yōu)解，具有良好的泛化性能，從而有效地克服了神經(jīng)網(wǎng)絡(luò)等方法無法避免局部極值的問題。由于影響股票預(yù)測的因素很多，這些因素之間存在高度的非線性、存在數(shù)據(jù)冗余等特征。因此，本文用主成分分析法對輸入因子進行主成分提取并結(jié)合支持向量機對股票的開盤數(shù)進行預(yù)測。

2.支持向量機

支持向量機(SVM)是一種機器學習方法，它的基礎(chǔ)是Vapnik創(chuàng)建的統(tǒng)計學習理論，采用了結(jié)構(gòu)風險最小化準則，在最小化樣本點誤差的同時，縮小模型泛化能力。……