一种改进的基于模糊支持向量机的股价趋势预测方法

在手稿中，构建了一个多层的新型高级模糊支持向量机（NA-FSVM）模型，以预测股票价值记录的发展。该模糊支持向量机由一个信息层、一个覆盖层和一个屈服层组成，每一层都是相互关联的。在新的高级模糊支持向量机（NA-FSVM）的每一层中应使用不少于一个神经元。该系统的输入是由信息层的十个神经元代表的十个专门指标。系统的收益率是两种股票价值承载模式。该系统的产量层由代表发育过程的突出神经元组成。准确测定了覆盖层神经元的数量。模糊支持向量机的工程如图1所示。层的节点通过可用性系数连接到相邻层的节点。使用一种学习方法，对这些权重进行调整，以便对给定信息/产量对集的给定信息模式进行有效分类。这些权重的基本值是任意分配的。在本实验中，采用反向生成学习算法来构建三层滋养正向模糊结构。使用相对均方根率来评估新型高级模糊支持向量机（NA-FSVM）显示的执行情况。然后，再次在屈服层上使用logistic-sigmoid传输容量。如果产量尊重小于1.25，则相应的情况被归类为递减过程；否则，它被归类为发展中的增长轴承。为每个参数混合确定一个准备执行和一个保持执行。

选择制备和保持性能最佳的参数混合物作为相应模型的最佳参数。所有实验均使用MATLAB软件的神经网络工具包进行指导。表1显示了每年10月1日纳斯达克股票市场的案例数量。表2显示了每年10月12日纳斯达克股票市场的案例数量。表3显示了每年1月10日标准普尔（s&P）股票市场的案例数量。表4显示了每年10月10日标准普尔（s&P）股票市场的案例数量。表1：。每年10月1日纳斯达克股票市场案例数量表2。每年10月12日纳斯达克股票市场案例数量表3。每年1月10日标准普尔股票市场案例数DateOpenHighlowCloseVolumeAdJ Close01-10-199001-10-199101-10-199201-10-199301-10-199601-10-199701-10-199801-10-199901-10-200101-10-200201-10-200301-10-200401-10-200701-10-200801-10-200901-201001-10-201201-10-201301-10-201401-2015DateHighlowCloseVolumeAdJClose12-10-199012-10-199212-10-199312-10-199412-10-199512-10-199812-10-199912-10-200012-10-200112-10-200412-10-200512-10-200612-10-200712-10-200912-10-201012-10-201112-201212-10-2015日期打开高低关闭卷ADJ Close10-01-195017.0310-01-195120.8510-01-195223.8610-01-195535.7910-01-01-195644.16表4。标准普尔（s&P）股票市场每年10月10日的案例数量支持向量机是一组在分类、确认、回归和时间序列中执行的算法。

新的高级模糊支持向量机（NA-FSVM）最初是使用结构风险最小化标准来创建并行分类。小说advanced10-01-1984167.9510-01-1985168.3110-01-1986205.9610-01-1989280.3810-01-1990347.3110-01-1991314.5310-01-1992415.110-01-1994475.2710-01-1995461.6810-01-1996598.4810-01-1997759.510-01-20001457.610-01-20011313.2710-01-20021156.5510-01-2003927.5710-01-20051190.2510-01-2006150 289.6910-01-20071414.8510-01-20081420.3310-01-20111269.7510-01-20121292.0810-01-20131472.1210-01-20141842.3710-01-195746.2710-01-195840.3710-01-196158.9710-01-196268.9610-01-196364.7110-01-196476.2410-01-196693.3310-01-196782.8110-01-196896.5210-01-1969100.9310-01-1972103.3210-01-1973119.4310-01-197492.3910-01-197572.6110-01-1977105.210-01-197890.1710-01-197998.7710-01-1980109.89DateOpenHighLowCloseVolumeAdjClose01-10-195101-10-195201-10-195301-10-195401-10-195601-10-195701-10-195801-10-195901-10-196201-10-196301-10-196401-10-196501-10-196801-10-1969模糊支持向量机（NA-FSVM）是在统计学习假设的研究中兴起的一种管理投机的最佳方法，并在结构多方面质量和观测风险之间找到理想的交换。新的高级模糊支持向量机（NA-FSVM）通过将点分配到示例空间或高维元素空间中两个不相交的半空间之一来对点进行分类。研究结果表1、2、3和4给出了四个参数组合和相应的预测精度。假设四个表中的每个表中给出的四个参数组合是代表整个信息集中所有情况的最佳组合。利用这些参数组合，作者目前已准备好对新型高级模糊支持向量机（NA-FSVM）进行对比实验。

表3中总结的信息集与具有四种不同参数组合的新型高级模糊支持向量机（NA-FSVM）相连。组合大致相同。尽管如此，由于其正常的坚持执行通常比其他参数更突出，因此第三个参数的执行略优于其他参数。沿着这些路线，该参数组合的预测执行可以被视为模糊支持向量机显示的最佳结果。对于选定的参数组合，2013年获得了最佳的保持执行（88），而1957年获得了最差的保持执行。螺旋基新型高级模糊支持向量机（NA-FSVM）模型在四个参数组合下的预测执行情况是多样的，并且低于模糊支持向量机的预测执行情况。结果表明，新型高级模糊支持向量机（NA-FSVM）的预测执行效果优于模糊支持向量机显示。图2：。（左）显示每年10月1日纳斯达克股票市场案例的图形表示图3。（右）显示每年10月12日纳斯达克股票市场案例的图示年份01-10-199201-10-199301-10-199601-10-199701-10-199801-10-199901-10-200101-10-200201-10-200301-10-200401-10-200701-10-200801-10-200901-10-201001-10-201201-10-201301-10-197001-10-197101-10-197301-10-197401-197501-10-197601-10-197901-10-198001-10-198101-10-198201-10-198401-10-198501-10-198601-10-198701-10-199001-10-1991结论：预测库存移动的承受力市场清单对于推进强有力的市场交易策略至关重要。它通常会影响货币相关经纪人购买或出售工具的决定。

成功预测股票价格可能会给投资者带来诱人的好处。这些任务错综复杂，异常麻烦。本研究旨在预测纳斯达克股票市场、标准普尔股票市场对股票价值发展的影响。构建了纳斯达克股票市场、标准普尔股票市场和标准普尔股票市场的两个预期模型，并在1950年至2015年的逐日信息中对其表现进行了思考。根据得到的测试结果，可以得出一些重要的结论。首先，应该强调的是，模糊支持向量机和NA-FSVM模型在预测股票价值发展趋势方面都表现出了显著的执行力。因此，我们可以说NA-FSVM对于这一点都是有用的预测工具。NA-FSVM的正常预测执行表明，82.3%的预测结果显著优于模糊支持向量机的预测结果79。3%.  据作者所知，所提出模型的预期执行情况优于写作中的类似研究。尽管如此，我们的模型的预测性能可能会通过两种方式得到提高。首先是通过引导更敏感和全面的参数设置来调整模型参数，这可能是感兴趣的未来工作。主要特点是通过引导更敏感和全面的参数设置来调整经典参数，这可能是感兴趣的读者的未来工作。其次，可以在模型中使用特殊或额外的信息变量。

尽管我们收到了十个专门指标，但其他一些大型金融变量，如对外贸易利率、利率和消费者价值记录等，可以用作模型的输入。然而，这里收到的十项专门指标表明，它们有助于预测股票价值的发展过程。另一个必须明确的问题是每年的预期绩效之间的差异。在这种危机情况下，减少专门指标的预期执行是值得的。参考文献[1]Aydogdu、Mahmut和Mahmut Firat。“使用模糊聚类和LS-SVM方法估计供水网络的故障率。”水资源管理29，第5号（2015）：1575-1590。[2] 陈、浦和张大勇。“构建基于模糊积分的不平衡数据集支持向量机集成分类方法。”应用智能系统的工业、工程和其他应用国际会议，第70-76页。斯普林格国际出版社，2014年。[3] 郑、魏源和贾凤娟。“用于分类问题的在线增量支持向量机和边缘选择梯度下降学习的模糊模型。”IEEE模糊系统交易22，第2期（2014）：324-337。[4] Esme、Engin和Bekir Karlik。“用于香水识别的基于模糊c均值的支持向量机分类器。”应用软件计算46（2016）：452-458。[5] 格里戈里安，哈科布。“一种基于支持向量机（SVM）和独立分量分析（ICA）的股市预测方法。”数据库系统杂志7，第1期（2016）：12-21。

[6] Hipni、Afiq、Ahmed El-shafie、Ali Najah、Othman Abdul Karim、Aini Hussain和Muhammad Mukhlisin。“大坝水位每日预测：比较支持向量机（SVM）模型和自适应神经模糊推理系统（ANFIS）。”水资源管理27，第10号（2013）：3803-3823。[7] Iraji、Mohammad Saber、Mohammad Bagher Iraji、Alireza Iraji和Razieh Iraji。“基于CLM、树混合自适应神经元模糊、模糊Svm的年龄估计。”《国际图像、图形和信号处理杂志》第6期，第3期（2014）：51。[8] 梅林、帕特丽夏和奥斯卡·卡斯蒂略。2型模糊逻辑在聚类、分类和模式识别中的应用综述应用软件计算21（2014）：568-577。[9] 穆斯塔基迪斯、瑟拉菲姆、乔治·马利尼斯、尼科斯·库齐亚斯、约翰·B·西奥查里斯和瓦西里奥斯·佩特里迪斯。“用于高空间分辨率遥感图像分类的基于SVM的模糊决策树。”IEEE地球科学和遥感学报50，第1期（2012）：149-169。[10] 基于软计算的股票交易推荐系统设计方法的实证研究(2015). [11] Wang，H.&Wang，J.（2014年11月）。一种有效的基于核分类的图像表示方法。2014年IEEE第26届人工智能工具国际会议（第853-858页）。IEEE。[12] 帕尔玛、乔瓦尼、伊莎贝尔·布洛赫和谢尔盖·穆勒。“使用模糊和反向方法检测数字乳腺断层合成图像中的肿块和结构扭曲。”模式识别47，第7期（2014）：2467-2480。[13] Punithavathani、D.Shalini和Sheryl Radley。

“无线网络性能分析：Multivarious sym teredo的分析方法。”《世界科学杂志》2014（2014）。[14] Ramanathan、Thirumalaimuthu Thirumalaiappan和Dharmendra Sharma。“糖尿病风险分类的SVM模糊专家系统设计。”《国际计算机科学与信息技术杂志》第6期，第3期（2015）：2221-2226。[15] Sriwastava、Brijesh Kumar、Subhadip Basu和Ujjwal Maulik。“使用模糊支持向量机中基于相互作用亲和力的隶属函数预测智人和大肠杆菌中的蛋白质-蛋白质相互作用位点。”《生物科学杂志》第40期，第4期（2015）：809-818。[16] Ticknor，J.L.（2013）。一种用于股市预测的贝叶斯正则化人工神经网络。专家系统及其应用，40（14），5501-5506。[17] Yilmaz、Tayfur和Bayram Kilic。“使用人工神经网络（ANN）和自适应神经模糊推理系统（ANFIS）方法预测Bist 100指数。”《财经应用研究杂志》第2期，第1期（2016）：18-27。