应用不等权重支持向量机预测人民币汇率的变动

基于金融时间序列的近期数据对未来的影响会大于早期数据,对应用于金融时间序列预测的支持向量机方法进行改进,给出了不等权重支持向量机方法（USVM）及其多项式光滑化处理。将不等权重支持向量机方法应用于训练样本集的子集确定预测模型,实证分析表明USVM算法预测是有效的。     

基于支持向量机回归的房地产单指标预测

对时间序列预测常用的方法进行了比较,结合房地产自身的特点确定用支持向量机回归来对房地产单项指标进行预测;分析了支持向量机回归和时序相空间重构的基本原理;建立了支持向量机预测模型,结合武汉市的实际数据进行了实证分析,并和BP神经网络的预测结果进行比较,表明用支持向量机预测模型进行房地产单项指标预测精度更高。     

多变量混沌时间序列的最小二乘支持向量机预测

文章根据多变量混沌时间序列的相空间重构理论,建立了多变量时间序列的最小二乘支持向量机预测模型.通过Lorenz系统和中国股市的股票价格序列对该模型进行了验证,结果表明该预测模型能精确地预测混沌时间序列,并且优于基于单变量时间序列的最小二乘支持向量机预测模型.     

在线预测的灰色支持向量回归方法

文章采取灰色系统和支持向量机相结合的方法,从预测精度和计算代价两方面讨论了经济时间序列数据的在线预测模式,提出了灰色自适应在线支持向量回归预测模型。两个经济时间序列的试验结果表明：该模型以稍高的计算代价能获得预测精度的明显提高,在选取合适灰色建模数据长度下,预测时间能迅速减少。     

基于支持向量机的降水量混沌时间序列预测

本文针对降水量时间序列的混沌性,根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机优越的非线性拟合性能,建立了基于支持向量机的降水量混沌时间序列预测模型。由于降水量时间序列的特殊性,本文采用均方根误差为标准来选取最优嵌入维数和模型参数,并结合实例验证该模型能精确地预测降水量。同时,这一结论也预示着支持向量机是一种研究混沌时间序列的有效方法。     

金融时间序列预测模型——基于离散小波分解与支持向量回归的研究

建本研究结合小波转换与支持向量回归,提出一个二阶段时间序列预测模型。先以离散小波分解与重组对金融时间序列数据进行预处理,再以SVR建立预测模型。     

金融时间序列混合智能预测模型及实证研究

文章针对金融时间序列变化复杂、难以用单一智能方法进行有效预测的问题,提出了一种新的基于经验模式分解、支持向量回归和粒子群优化的混合智能预测模型.经验模式分解能将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个基本模式分量,根据这些分量各自趋势变化的剧烈程度选择不同的核函数进行支持向量回归预测,最后通过粒子群优化算法对各预测分量进行加权组合,得到原始序列的准确预测值.证券市场实证研究表明该模型可以准确预测金融时间序列.     

小波包与贝叶斯LS-SVM在石油价格预测中的应用

掌握国际石油价格变化趋势,可以为决策者提供决策依据.文章提出了基于小渡包和贝叶斯推断的最小二乘支持向量机石油价格预测方案.对石油价格时间序列进行小渡包分解与重构,采用贝叶斯推断对得到的各近似序列和各细节序列进行最小二乘支持向量机模型参数优化,再分别利用优化了的模型进行预测,合成得到最终预测结果.对美国纽约商品交易所原油价格进行仿真实验,结果表明该方法很好地改善了石油价格预测模型的运行速度与预测精度.     

LS—SVM模型选择及其在森林火灾预测中的应用

文章根据森林火灾的实际数据,选取适当的目标函数,利用最小二乘支持向量机（LS-SVM）建立模型,通过对LS-SVM中超参数的联合优化选择出最佳模型,并把用所选模型进行预测的结果与支持向量机（SVM）预测的结果进行比较,结果表明所建立的森林火灾预测模型具有较高的预测精度。     

最小二乘支持向量机在条件异方差模型中的应用

相对于标准的支持向量机,最小二乘支持向量机是将求解二次规划问题转化为求解一组线性方程,从而能提高求解速度。将最小二乘支持向量机和GARCH模型相结合应用于金融时间序列预测中。通过在实际股票市场预测中的比较分析,能够证实所给方法是可行的、有效的。     

股指期货信息内含股价变动信息的挖掘 ――小波框架与支持向量回归的金融建模应用

 内容提要：中国股指期货的推出指日可待，交易者多了一种投资工具的同时也带来了新的风险。建立准确的金融时间序列预测模型是逐利及避险的方法之一，一直是学者专家研究的热点。本研究结合小波转换与支持向量回归，提出一个二阶段时间序列预测模型。先以离散小波框架将预测变量分解成不同尺度的多个子序列，揭示隐藏在预测变量内的信息，再以支持向量回归为工具，以这些子序列为预测变量建构SVR模型。本研究以日经225指数开盘价为预测目标，以期货开盘价为预测变量对模型进行实证研究，结果显示，该模型的预测绩效比单纯SVR模型及随机漫步模型好。未来可尝试以不同的基底函数作进一步研究。     

基于遗传算法优化的LS-SVM模型的应用研究

文章介绍了最小二乘支持向量机及遗传算法的原理,利用遗传算法优化参数后的最小二乘支持向量机建立四川省天然气消费量的时间序列预测模型.并利用两个性能指标将其与BP神经网络模型进行了对比,结果表明,在样本有限保证一定精度的情况下,遗传算法优化参数后的最小二乘支持向量机模型的范化能力较强,能够利用该模型对四川省天然气消费量进行预测,并在最后利用该模型预测2007～2009年四川省天然气消费量.     

混沌时间序列的支持向量机预测

文章以重构相空间理论为基础,探讨了混沌时间序列的支持向量机预测模型建模的思路、特点及关键参数的选取;利用饱和关联维数法进行相空间重构,并运用小数据量法计算最大Lyapunov指数,对时间序列进行混沌特性识别。实例表明,该模型能较好地处理混沌时间序列,具有较高的泛化能力和很好的预测精度。     

基于支持向量机股票价格指数建模及预测

为提高预测精度,采用基于支持向量机理论的预测方法对股票价格指数进行预测.文章在分析支持向量机预测基本原理基础上,以交叉验证法确定了最佳回归参数并以此建立了预测模型.对上海证券交易所的股票价格指数进行预测,研究结果表明基于支持向量机预测法能较准确地反映股票价格指数的变化趋势且提高了预测精度,验证了此方法在股票价格指数预测中的可行性.     

基于文化算法的支持向量机组合预测模型

为提高预测精度,文章提出基于文化算法的支持向量机组合预测模型.以组合预测模型的误差平方和最小为优化准则,用文化算法对支持向量机参数进行优化,并建立支持向量机对单一模型的预测结果进行组合预测.算例结果表明,该模型综合了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强.     

多变量时间序列的重构与预测方法

多变量时间序列包含有比单变量时间序列更丰富的动态信息,具有一定的信息完备性和确定性,但多变量时间序列同时也会带来一定的冗余信息和部分噪声.为了更好地反映多变量时间序列的动态特性,文章对多变量时间序列进行空间重构,并利用主成分分析法(PCA)对重构后的多变量时间序列进行处理,以减低特征空间维数;最后采用支持向量机建立预测模型.仿真实验表明,该预测模型具有较强的自适应能力和较好的预测效果.     

基于主成分分析和支持向量机的企业盈利能力预测

文章针对中国建筑业上市公司样本规模较小,常规预测方法难以奏效的特点,尝试将支持向量机应用于其盈利能力预测.首先从不同的角度选择盈利能力单项指标,以此为基础构建反映公司盈利能力的集成指标,结合2001-2014年中国A股建筑业上市公司的数据,构建基于支持向量的盈利能力预测模型,对样本公司的盈利能力进行预测.研究结果显示,经过训练的支持向量机模型能较为成功地预测样本公司的盈利能力,2003-2014年的预测准确率均超过80％;通过与BP神经网络的对比试验可以发现,在预测中国建筑业上市公司盈利能力方面,支持向量机表现出了较明显的优势.     

LS-SVM的一种参数优选方法及混沌时间序列预测

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.文章提出适当的验证性能指标用遗传算法优化最小二乘支持向量机的有关参数,并进行时间序列预测.通过对混沌时间序列的预测及和神经网络预测的比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的.     

基于向量平均投影测度的区间型组合预测模型

区间型组合预测模型的研究核心是各单项方法权重的确定。鉴于向量投影具有更好的综合测度,它可以同时反映两个向量指标之间的距离和夹角,因此文章引入向量投影测度公式,并在此基础上提出了一种新的投影测度公式。对向量投影测度公式加以推广用来描述两个区间数时间序列的接近程度,以平均标准化投影测度为最优化准则,构建出四个不同投影测度的全新区间型组合预测模型;并通过实例分析,将预测结果与已有研究文献中的区间型组合预测优化模型进行对比,表明了所构建的区间型组合预测模型的有效性。     

人工鱼群算法优化SVR的预测模型

文章针对参数选择关系着支持向量回归机的性能进而影响GDP预测效果这一问题,引入人工鱼群算法将支持向量回归机的参数选择转化为组合优化问题,得到应用人工鱼群算法优化支持向量回归机的短期GDP预测模型。以辽宁省的GDP数据为例,将该模型的预测结果与同为智能算法的BP神经网路和单纯的支持向量机进行对比,结果表明该模型的预测效果优于其余两个,具有更好的学习能力和推广能力。