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。     

融合分解集成和深度学习的金融时间序列预测模型

由于金融时间序列具有高度非线性、不稳定性等特点，单一预测模型的预测精度受限。文章将集成经验模态分解（EEMD）技术和长短期记忆网络（LSTM）相结合，同时融入麻雀搜索算法（SSA）优化神经网络参数，构建了EEMD-SSA-LSTM混合预测模型。首先将该金融时间序列进行EEMD分解，其次将分解所得的各IMF分量与残差项输入到SSA优化后的LSTM网络进行逐个预测，最后通过累加得到最终预测结果。以上证指数价格为研究对象进行实证分析，结果表明，所提出的混合预测模型的MAPE、RMSE、MAE分别为0.0122、0.3278、0.2681，具有更高的预测精度与适用性。     

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.     

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.     

中国股指波动率的智能预测模型与实证检验

文章提出将改进型粒子群算法与最小二乘支持向量机(LSSVM)相结合的中国股指波动率智能预测方法,利用径向基核函数LSSVM对股指波动率进行建模及预测,并将自适应惯性权重粒子群算法(AIWPSO)和动态加速系数粒子群算法(DACPSO)分别实现径向基核函数LSSVM的参数优化,建立了两种股指波动率的智能预测模型.以日内价格极差作为波动率的代理变量,通过对上证综指和深证成指的实证研究检验了两模型的有效性.检验结果表明,AIWPSO算法优化的径向基核函数LSSVM作为中国股指波动率智能预测模型,具有更高的波动率预测精度和更快的建模速度.     

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。     

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PSO-SVR的粮食产量预测模型

在粮食产量预测中,存在历史样本量较小和非线性强的特点,从而致使预测精度较低.文章将支持向量机回归(SVR)与粒子群优化算法(PSO)相结合,提出了适用于小样本量学习的PSO-SVR粮食产量预测模型.实例结果表明,PSO-SVR模型预测误差率优于BP神经网络模型.     

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.     

支持向量回归特征提取的ARMA准则——中国社会消费品零售总额预测的实证研究

根据统计学习理论,针对局部灰色支持向量回归方法,提出了单变量经济时间序列预测特征提取的ARMA准则.对中国社会消费品零售总额的试验结果表明:ARMA准则能客观准确地实现特征提取,获得较高的预测精度.     

我国金融发展对提升经济效率的贡献分析

文章采用协整与基于向量自回归模型的格兰杰因果检验和预测方差分解等时间序列分析方法,利用2005年经济普查后的数据,对1980～2005年我国金融发展的相关指标与经济效率的关系进行实证分析。     

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。     

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。     

基于EMD方法的股票价格预测与实证研究

文章将经验模式分解方法(EMD)引入到中国金融市场数据预测中,利用EMD正交分解的特殊功能,提出了一种较为准确的金融市场时间序列预测其走势的方法.并与传统实践上相对比较成熟的小波分析方法(WA)进行对比分析,实证研究表明:经验模式分解方法(EMD)较小波分析方法拟和精度更高、预测功能很强.此方法为金融市场数据研究提供了一个强有力新的分析工具,在理论和实践上有其重要的指导意义.     

基于多元经验模式分解的股票收益与宏观经济关系分析

提出一种基于多元经验模式分解的股票市场收益与宏观经济活动关系的分析方法。通过月度道琼斯指数和美国工业生产指数的联合多元经验模式分解,得到多元金融时间序列的多尺度分量。采用希尔伯特—黄变换和边际谱确定每个尺度的主周期,进而在不同尺度下对多元时间序列进行相关性分析及Granger因果检验。结果表明:股票指数在中、长周期的某些尺度上是工业生产指数的Granger原因,序列之间具有明显的相关性,股票指数领先工业生产指数16个月到32个月不等。     

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.     

电子商务信用风险评估模型

准确评估电子商务信用风险,有助于企业提高风险监控预警能力,促进健康持续发展.文章构建了基于灰色关联分析和最小二乘支持向量回归(LSSVR)的电子商务信用风评估模型.首先,引入灰色关联分析提取电子商务信用风险重要影响指标;其次,应用LSSVR建立电子商务信用风险评估模型,并利用粒子群优化算法选择LSSVR模型参数;最后,利用实际样本数据进行实证分析,并根据评估结果提出相应的应对策略.     

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。     

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.