一种改进的基于模糊支持向量机的股价趋势预测方法

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《A novel improved fuzzy support vector machine based stock price trend
  forecast model》
---
作者：
Shuheng Wang, Guohao Li, Yifan Bao
---
最新提交年份：
2018
---
英文摘要：
  Application of fuzzy support vector machine in stock price forecast. Support vector machine is a new type of machine learning method proposed in 1990s. It can deal with classification and regression problems very successfully. Due to the excellent learning performance of support vector machine, the technology has become a hot research topic in the field of machine learning, and it has been successfully applied in many fields. However, as a new technology, there are many limitations to support vector machines. There is a large amount of fuzzy information in the objective world. If the training of support vector machine contains noise and fuzzy information, the performance of the support vector machine will become very weak and powerless. As the complexity of many factors influence the stock price prediction, the prediction results of traditional support vector machine cannot meet people with precision, this study improved the traditional support vector machine fuzzy prediction algorithm is proposed to improve the new model precision. NASDAQ Stock Market, Standard & Poor\'s (S&P) Stock market are considered. Novel advanced- fuzzy support vector machine (NA-FSVM) is the proposed methodology.
---
中文摘要：
模糊支持向量机在股价预测中的应用。支持向量机是20世纪90年代提出的一种新型机器学习方法。它可以非常成功地处理分类和回归问题。由于支持向量机优良的学习性能，该技术已成为机器学习领域的研究热点，并已成功应用于许多领域。然而，作为一种新技术，支持向量机有很多局限性。客观世界中存在着大量的模糊信息。如果支持向量机的训练包含噪声和模糊信息，则支持向量机的性能将变得非常弱和无力。由于影响股票价格预测的因素很多，传统支持向量机的预测结果精度不能满足人们的要求，本研究改进了传统支持向量机模糊预测算法，提出了提高新模型精度的方法。考虑纳斯达克股票市场、标准普尔股票市场。提出了一种新的高级模糊支持向量机（NA-FSVM）方法。
---
分类信息：

一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--
一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> A_novel_improved_fuzzy_support_vector_machine_based_stock_price_trend_forecast_model.pdf (451.74 KB)

2022-6-2 20:34:39 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：支持向量机 预测方法 趋势预测 向量机 Successfully

一种新的改进的基于模糊支持向量机的股价趋势预测模型王书恒（Shuheng Wang1）、李国浩（Guohao Li2）和鲍一凡（Yifan Bao3）1加州大学圣地亚哥分校数学系，美国加利福尼亚州；2美国加利福尼亚州洛杉矶南加州大学马歇尔商学院；3中央财经大学中国经济管理学院。关键词：纳斯达克股票市场、标准普尔股票市场、支持向量机、新型高级模糊支持向量机（NA-FSVM）。摘要模糊支持向量机在股价预测中的应用。支持向量机是20世纪90年代提出的一种新型机器学习方法。它可以非常成功地处理分类和回归问题。由于支持向量机优良的学习性能，该技术已成为机器学习领域的研究热点，并已成功应用于许多领域。然而，作为一种新技术，支持向量机有很多局限性。客观世界中存在着大量的模糊信息。如果支持向量机的训练包含噪声和模糊信息，则支持向量机的性能将变得非常弱和无力。由于影响股票价格预测的因素很多，传统支持向量机的预测结果精度不能满足人们的要求，本研究改进了传统支持向量机模糊预测算法，提出了提高新模型精度的方法。考虑纳斯达克股票市场、标准普尔股票市场。提出了一种新的高级模糊支持向量机（NA-FSVM）方法。

股票价值表开发的预期被视为货币时间序列预测的测试任务。对股票价值发展的准确预测可能会为投资者带来利润。由于股票市场信息的多方面性质，预测生产模型的发展极为麻烦。预测股票价值记录及其发展一直被视为时间序列预测最困难的应用之一。尽管有许多精确的研究处理了预期股票价值记录的问题，但大多数观察结果都与创造的货币相关市场有关。尽管如此，在写作中很少有研究预测股票价值记录在发展中市场的发展。准确预测股票价值指数的发展对于制定强有力的市场交易策略至关重要。因此，投资者可以防范潜在的市场风险，投机者和套利者也有机会通过交换股票清单获利。由于股票市场本质上是强大、非线性、纠缠、非参数和动荡的，因此股票市场预期被视为货币相关时间序列预测过程的测试任务。此外，股票市场还受到许多全面的货币因素的影响，如政治事件、公司政策、总体财务状况、投资者期望、机构投资者的选择、其他股票市场的发展以及投资者的心理。支持向量机和模糊支持向量机已成功用于货币相关时间序列的显示和预测。

尽管模糊可以是时间序列期望中非常有用的工具之一，但一些研究表明，由于股市信息具有巨大的噪声、非平稳特性和复杂的维数，模糊在接受模式方面有一定的局限性。Fuzzy经常在有噪声的信息上显示不一致和异常的执行。按照这些思路，预测股票价值变动是完全麻烦的。利用土耳其等发展中市场的信息研究股票价值记录发展的一致性程度很有意义。纳斯达克股票市场、标准普尔（s&P）股票市场的市场回报率极不稳定。这种不可预测性吸引了众多附近和外部投资者，因为它提供了非凡的收益可能性。最近的文献回顾表明，有越来越多的研究对各种货币相关工具的走势进行了研究。学术研究人员和实践者都试图作出巨大努力，预测股市的未来走势或其到来，并设计与货币相关的交易策略，将预测转化为利润。在随后的章节中，我们重点审查了与股市预期相关的模糊和支持向量机的先前研究。有大量的文献关注股票市场的一致性。这些研究使用各种类型的模糊数学来准确预测股票价值回报及其发展方向。

通过对基于多元分类技术的各种期望模型的检验，证明了模糊理论在预测股票价值收益方面具有良好的效果，并将其与预测历史收益过程的各种参数和非参数模型进行了对比。观测实验表明，分类模型优于水平估计模型多功能指数平滑、带卡尔曼信道升级的向量自回归、，多元传递功和多层支撑前向神经系统可以预测股票市场的发展过程，提高投资交易的收益。采用概率神经系统对历史收益率的方位进行预测。将概率神经系统预测的统计执行与矩量法和任意游走法的统计执行进行了对比。观测结果表明，概率神经系统比矩法和不规则行走期望模型具有更强的预测能力。基于各种专门指标编制的神经网络，用于估计纳斯达克股票市场、标准普尔（s&P）股票市场的走势。尽管神经系统模型对每日和逐月信息的预测执行忽视了线性回归的结果，但这些模型可以更准确地预测指数的承载力。研究人员打算证明模糊预测在预测股票价值发展方面的准确性。

一些研究人员倾向于混合使用几种人工智能技术来预测股市回报，这是一种跨品种的计算机推理方法，用于预测标普股票档案期货每天价值变化的趋势。半人工智能方法结合了基于跑步的系统和神经网络策略。精确的结果表明，推理神经网络优于其他两种模糊模型。本节讨论了支持向量机。支持向量机是一种基于结构风险最小化准则的机器学习技术，当连接到准备集之外的信息时，它表现良好。在实验中，所提出的支持向量机结构胜过了所测试的各种方法。具体来说，通过模糊支持向量机技术实现了高达89%的灵敏度，错误率为每幅图片一个假阳性聚类。研究人员提出了另一种元素选择策略，该策略使用了类似于支持向量机递归组件端实现的回归端技术。与支持向量机技术不同的是，在每一步，所提出的方法都通过对第一个准备信息的子样本上准备的多个直支持向量机的权重向量的统计分析来计算元素定位得分。在四个高质量的生长分类表达数据集上对所提出的策略进行了测试。结果表明，与第一支持向量机相比，本文提出的高光选择策略选择了质量更好的子集，提高了分类精度。

研究人员提出了一种半监督分类技术，该技术利用标记样本和未标记样本来解决支持向量机的不适定问题。该技术基于统计学习假设的最新发展，该假设涉及到导通归纳，特别是导通支持向量机。基于对文中提出的直推支持向量机特性的分析，提出了一种新的用于解决不适定遥感问题的调整直推支持向量机分类器。探索结果证实了所提出的技术在一组代表不同主体条件的不适定遥感分类问题上的有效性。研究人员利用模糊支持向量机技术准备了各种特征的应用程序类，从校园中收集整理脊柱。创建鉴别器选择计算，以获得用于分类的最佳特征组合。增强的技术为无偏差制备和测试样品提供了高精度。此外，所有元素参数都可以从捕获的包裹头连续计算，表明可以实现高精度的恒定系统活动分类。具体而言，通过考虑在目标容量的原始定义中直接解决增强问题的独特技术，剖析了与SS支持向量机学习阶段相关的成本工作的非凸性这一基本问题。由于未提高的成本能力可以用许多邻域极小值来描述，因此，独特的改进技术可能会产生各种分类结果。

测试结果提醒人们注意基于原始定义改进的技术的有效性，与双重计划中提出的SS支持向量机相比，原始定义提供了更高的精度和更好的推测能力。研究人员致力于设计对支持向量机的修改，以恰当地处理类不平衡的问题。提出了支持向量机显示中的各种再平衡启发式方法，包括成本敏感学习、过采样和欠采样。对比这些基于支持向量机的策略，并通过使用各种度量、受益工作特征弯曲下的区域和精度/审查弯曲下的区域，在各种信息集上采用不同的工艺状态方法。结果表明，在每个信息集上都有可能超越或协调以前已知的最佳算法。研究人员演示了如何利用这些特征感知复杂的运动模式。在构建邻域时空特征的视频表示的同时，将这些表示与支持向量机分类方案结合起来进行确认。所给出的活动确认结果证明了所提出的策略的正确性，并与其他相关的活动确认方法进行了对比。本节介绍了研究信息和指标属性的选择。本研究使用的研究信息是纳斯达克股票市场、标准普尔（s&P）股票市场每日收盘价发展的承载力。从整个信息集中得到一些子集。

第一个子集用于确定评估模糊支持向量机和FSVM模型的有效参数值。该信息集称为参数设置信息集，用于预备实验。参数设置信息集约占整个信息集的10%，与整个信息集中每年的增减数量相对应。例如，在1950年的参数设置信息中，增加方位的情况数量为25，减少航向的情况数量为19。使用his采样策略，参数设置信息集适合表示整个信息集。准备信息用于确定模型和参数的规格，而保持信息用于样本外评估和比较两个期望模型的性能。一旦指定了生产参数值，就可以对比模糊支持向量机和支持向量机模型的期望性能。考虑到使用参数设置信息集指定的参数值，在整个信息集上执行此执行比较。也就是说，必须使用另一个准备信息集重新准备期望模型，该信息集必须是整个信息集的另一部分，并且必须大于参数设置信息集的准备子集。在重新准备之后，必须使用另一个保持信息集（即整个信息集的其余部分）完成模型的样本外评估。

这样，整个信息集被重新分离为准备信息集和保持信息集，用于对比实验。考虑到整个信息集中增加和减少的分散性，这一点也得到了承认。表1、2、3和4给出了结果比较信息集中的案例数量。每个病例的10个专门指标被用作信息变量。股票市场上的许多储备经理和投资者在很大程度上承认并使用特定的专业指标标准作为未来市场趋势的信号。可以获得各种专门指标。一些专门指标在倾斜市场下可行，而其他指标在没有漂移或重复市场的情况下表现更好。根据以往的研究，假设在构建期望模型时，可以使用各种专门指标作为信息变量来预测股票价值记录的发展过程。以下是通过计算30天收盘价，用于简单30天移动平均线的方程式。方程1显示了这一点。30天的移动平均值=（Pc+Pc-1+…+Pc-30）/30（1）推动力通过使用节点数量和收盘价计算。这如方程式2所示。动力=Pc-Pc-n（2）添加或交付使用高价、低价和收盘价计算。方程3显示了这一点。添加或交付=（Ph-Pc）/（Ph-PL）x 100（3）探索的模型-新型高级模糊支持向量机（NA-FSVM）新型高级模糊支持向量机（NA-FSVM）已证明其在货币相关显示和预期方面的能力。