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.     

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。     

基于双正交小波核支持向量机的长记忆汇率预测

对具有长记忆性的汇率数据进行准确预测具有重要的理论和现实意义。文章基于样条小波构造了一类新的双正交小波核函数并建立了相应的支持向量机模型。通过分数差分方法消除汇率数据的长记忆性,对欧元兑美元和欧元兑日元两个汇率数据进行了预测研究。结果表明双正交小波核支持向量机能够有效的避免过学习,其拟合优度和预测精度均优于正交小波核支持向量机和高斯核支持向量机。     

基于改进的FSA-SVM的国际有色金属期货价格预测

对传统鱼群算法进行了简化,并对其步长和可视域采用自适应变化策略,利用改进的鱼群算法对支持向量机训练算法进行优化,提出了基于鱼群优化的支持向量机期货价格预测模型.将改进的模型滚动预测未来的期货价格,并以伦敦金属交易所3月期三种有色金属品种的日度期货价格作为实证分析.最后将预测结果与单纯的支持向量机的预测效果相比,结果显示,改进后的模型具有更高的预测精度,特别是对金属期货价格的短期预测效果良好.     

基于支持向量机的混沌时间序列预测模型

支持向量机是基于结构风险最小化原理的一种学习技术,是一种具有很好泛化能力的预测工具,它有效地解决小样本、非线性、高维数、局部极小等问题.文章利用支持向量回归机对时间序列进行了预测,并对模型选择和参数优化进行了研究.仿真试验表明预测结果是合理的,并具有较高的预测精度.     

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.     

两种模型对中国生猪价格预测效果的比较

生猪价格波动是众多因素共同作用的结果,为提高生猪价格预测结果的精度和可靠性,文章应用支持向量机(SVM)方法,综合在中国猪肉市场上与生猪价格相关的主要指标,建立生猪价格和其影响因素的支持向量机模型,对未来生猪价格进行预测分析,同时,将其预测结果与BP人工神经网络模型的预测结果进行对比,并对这两种模型的预测效果进行评价,结果表明,基于SVM模型预测生猪价格的精度优于人工神经网络,拓展了其在这一领域中的研究与应用。     

基于支持向量机(SVM)的股市预测方法

本文对先有预测工具比较分析的基础上,提出了基于支持向量机的股市预测方法,并建立了数学模型对新疆众和进行了实证研究.结果表明,支持向量机比神经网络有更好的学习和泛化能力,在股市预测中取得了较好的效果.     

遗传支持向量机及其在人民币汇率变动方向预测中的应用

文文章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了改进,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,给出了遗传不等权重支持向量机方法（GAUSVM）;对GAUSVM应用于汇率变动预测的实证分析发现,通过利用遗传算法对预测模型选优能够有效地提高USVM预测效果,加强其数据挖掘的功能。     

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。     

企业信用风险的度量方法

文章结合我国实际提出基于支持向量机的企业信用风险度量方法,并和神经网络等多种方法进行了实证对比分析,结果显示支持向量机具有较好的预测效果.     

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.     

基于LS-MWSVM的股票价格预测

文章基于小波分解理论和支持向量机核函数的条件,提出了最小二乘M0det小波核的支持向量机(LS-MWSVM)算法.用该算法建模并对沪深300日收盘价进行预测,且与常用的RBF核的LSSVM模型及RBF神经网络模型的预测能力进行了比较.结果表明.LS-MWSVM的预测能力要好于其它两种模型.进一步得出,采用最小二乘支持向量机与小渡理论结合的组合模型对股市进行预测效果较好.     

农业天气风险管理及产品定价研究

为降低系统性风险的冲击,基于效用理论,构建了包括农户、保险人和债券投资者三方在内的一般模型,得出了相应的指数保险和天气债券的定价公式。采用绥化市样本数据,基于支持向量机预测方法,进行了产品的实例设计。结果表明,如果在债券市场上,投资者的风险厌恶水平低于农户或保险人时,则可将天气风险转移至资本市场,风险转换比取决于三方的风险厌恶水平。支持向量机预测模型的应用可以显著提高预测精度,有助于降低基差风险。     

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.     

基于SVM/RVM的小样本装备软件成本估算

文章提出应用支持向量机(SVM)和相关向量机(RVM)预测原理预测软件成本和工作量,并建立了基于SVM/RVM的小样本数据条件下的装备软件成本估算模型.实验结果证明该估算方法可以较大幅度提高软件成本估算的精确度.     

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。     

基于支持向量机及主成分分析的财务危机预测

支持向量机是一种基于统计学习理论的机器学习算法,在小样本情况下亦可得到很好的分类效果。文章提出了基于支持向量机的上市公司财务危机预测模型,公司财务指标作为支持向量机的输入,其数目较多,采用主成分分析方法降低支持向量机的输入向量维数。与多元统计方法、Logit及Probit模型进行比较,结果表明,该方法预测精度高,第一类错误及第二类错误显著减小。     

基于熵权法和支持向量机的中长期电力负荷预测

文章提出了一种将熵权法与支持向量机(Support Vector Machine,SVM)相结合的中长期电力负荷预测方法.与目前采用单一SVM的负荷预测方法相比,该方法考虑了中长期电力负荷各种影响因素的信息稠密度;通过熵权法对SVM的训练样本集进行加权处理,减少了信息冗余,提高了SVM的训练速度和预测精度.     

基于SA和Bootstrap的LS-SVM参数优选及应用

文章针对最小二乘支持向量机的特点,通过Bootstrap建立适当的性能指标,用模拟退火算法(SA)优化最小二乘支持向量机的有关参数,并在非线性经济系统中应用.用最小二乘支持向量机对非线性经济系统进行预测的结果与神经网络预测的结果比较证明.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.