基于DFA和SVR的GDP预测模型研究

首先对1980—2013年全国年度GDP数据进行消除趋势分析（DFA）,发现GDP时序具有长记忆性,表明当前GDP值用来预测未来一段时间内的GDP值具有可行性,在此基础上利用具有非线性和强泛化能力特点的支持向量回归机（SVR）,建立SVR预测模型,得到了较好的预测效果.     

粮食产量预测的支持向量机模型研究

粮食产量的历史数据有限,是典型的小样本数据,又由于粮食产量受不确定性因素的影响,是一个复杂的非线性系统,以往的粮食产量时间序列预测模型的阶数采用经验方法或线性方法来确定,得到的预测精度不理想。针对这些问题,可将支持向量机引入到时间序列模型定阶的方法中,然后采用留一法交叉验证寻找最优参数,建立一个多输入、单输出的预测模型。通过对中国粮食产量进行仿真实验,并与一次滑动平均、ARIMA、LS_SVM和RBF神经网络的预测模型作比较来验证模型的有效性,结果表明该模型该有较高的预测精度和较强的泛化能力,证明了该模型对近期粮食产量的预测是可靠的。     

基于多尺度特征和支持向量机的股市趋势预测

应用支持向量机方法对股票市场趋势性变动进行预测是金融市场行为研究领域里一个重要的研究课题。为了提高股市趋势预测的准确率,现有文献中基本将研究重点集中在改善支持向量机参数上,而没有对输入数据的特征进行深入研究。股票市场时序数据是不同时间尺度因素非线性作用的结果,因此具有本质的多尺度特性。据此构建了股票市场多尺度时序特征趋势预测方法,该方法首先基于小波多分辨分析对股市时序数据进行多尺度分解,然后提取了股票市场数据的记忆性和趋势性特征,最后应用支持向量机对股票市场趋势进行预测,预测结果表明该方法提高了股市趋势预测的准确率。     

基于S-WLLE算法和SVR的植物叶片图像识别方法

针对加权局部线性嵌入（Weighted Locally Linear Embedding,WLLE）算法不能充分挖掘样本类别信息以及传统流形学习算法中利用已有训练样本流形邻域关系近似得到测试样本低维嵌入的低精确性,提出了基于监督加权局部线性嵌入（Supervised Weighted Locally Linear Embedding,S-WLLE）算法和支持向量机回归（Support Vector Regression,SVR）的植物叶片图像识别方法。首先利用叶片样本监督距离代替WLLE算法中的欧式距离,对训练样本进行降维;然后学习训练样本已有数据得到SVR模型,预测测试样本的低维嵌入;最后利用最近邻分类器分别实现正负类样本以及负负类样本之间的识别。实验表明,该算法不仅提高了正负类叶片的识别精度,而且能够有效实现负负类叶片的识别。     

财务困境的预测研究

财务困境预测通用的四种方法为判别分析、逻辑回归、神经网络和支持向量机。实证研究显示,支持向量机和神经网络模型预测的误判率较低,逻辑回归和判别分析模型预测的误判率稍高。     

基于量子粒子群的神经网络集成股市预测模型研究

利用量子粒子群改进神经网络集成个体的网络结构和连接权值,利用主成分分析法提高集成个体差异度,形成一组优良的神经网络集成个体,利用支持向量机回归集成生成输出结论,求出非线性时序函数的全局最优解,随即建立一个基于量子粒子群的神经网络集成股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.     

PCA支持向量机回归集成股市预测应用

利用主成分分析(PCA)方法优选神经网络集成个体,利用支持向量机回归集成生成输出结论,建立一个PCA支持向量机回归集成股市预测模型。试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好。     

基于支持向量机模型的北京市能源需求预测研究

北京市能源需求系统具有非线性、历史数据较少而影响因素众多等复杂特征, 而支持向量机模型在解决小样本、非线性及高维模式识别问题方面具有突出优势。为此, 引入支持向量机模型对北京市1978-2010年能源需求进行建模, 并据此对2012-2020年能源需求量进行预测。结果表明:支持向量机模型能有效拟合北京市能源需求系统的复杂变化趋势, 比其他传统方法有更高的预测精度。研究发现, 2012-2020年北京市能源需求量逐年增加, 年均增速2.75%;另外, 北京市能源需求的增速在“十三五”期间会比“十二五”期间略有趋缓。     

基于SVM的股票时间序列的预测研究

支持向量机（support vector machine,SVM）是以统计学理论为基础的一种新的模式识别方法,目前已广泛应用于股票价格的预测中。在股市投资问题的研究中,股价作为时间序列数据是复杂的、非线性的,并且极不稳定。文章将支持向量机引入到股价预测的建模中,并对效果进行了分析。     

基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机(SVM)模型进行预测.针对SVM模型中参数难以确定的问题,采用粒子群(PSO)算法进行参数寻优,保证预测的精确度.将PSO-SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO-SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律.     

统计学习算法在高校教学质量评估中的应用研究

本文分析了机器学习算法在教学质量评估中应用的可行性,并以带权间隔支持向量回归模型WMSVR（Weighed Margin Support Vector Regression）。本文对教学质量评估的众多分量进行训练学习,以建立稳定描述教师教学质量的机器学习模型。该模型输入量化的教学质量评估指标,引入具有可信程度的学生意见信息,并以带权间隔来表示样本的置信度,以WMSVR模型作为训练器,模型输出数量化的教学质量指标。对比专家对教师的教学活动的评价表明：WMSVR模型在教学质量评估中有较高的准确度和泛化能力,在语义上有足够表达教学质量指标体系的能力。     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库,在加快训练速度、降低分类错误率等方面有改进的SVM流行算法.在分析各种算法优缺点的基础上,提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点.     

基于面板数据的流动性因子对股票收益率影响的实证研究

在国内外大量实证研究的基础上,选取上证180成分股为考察样本,根据我国客观实际用新指标代表流动性,利用计量经济学中平行数据模型,通过单因素回归与多因素回归,对流动性和收益率关系进行实证研究,本文实证分析得出结论:与其他成熟股票市场不同,我国流动性和收益率成正相关关系。并基于此结论,探讨了原因所在。     

基于舞弊三角理论的财务舞弊识别模型研究——支持向量机与Logistic回归的耦合实证分析

文章基于舞弊三角理论,对舞弊风险因素进行T检验,选取显著特征运用支持向量机算法和Logistic回归分析方法构建了舞弊识别模型,并进行比较。研究结果表明,财务稳定性越差、监督部门的监督积极性越低、曾经获得非标准审计意见次数越多,公司发生财务舞弊可能性越高。应制定合理的报酬激励机制,降低报酬契约冲突带来的舞弊压力;建立健全内部控制和风险管理评价,减少舞弊的机会;加强内外监督机制,杜绝舞弊的借口。     

基于支持向量机回归模型的重庆市房地产金融风险预警研究

以房地产金融风险单项指标的评价标准为依据,利用基于支持向量机（SVM）的回归分析模型对重庆市房地产的金融风险状况进行预警分析研究。通过研究评价指标变量与模型输出数值之间的关系,分析房地产金融风险状况与各评价指标变量的非线性关系,预测出各年度的金融风险状况及金融风险的走势,从而为有针对性地降低金融风险水平制定相应的宏观调控政策提供理论参考。     

基于回归分析的国内天然橡胶需求预测分析

依据国内1991-2010年天然橡胶消费量、天然橡胶进口金额、天然橡胶进口量、轮胎销售额、天然橡胶单产的数据,利用EVIEWS3.1软件建立国内天然橡胶需求、供给模型.根据模型使用时间序列分析预测方法,预测未来10年中国天然橡胶的需求趋势.     

基于分形理论的时尚商品价格预测问题研究

在研究时尚商品价格规律及影响因素的复杂性、不确定性的基础之上，提出了基于分形理论的时尚商品价格预测新方法。该方法首先运用重标极差法分析了时尚商品价格时间序列预测的可行性，然后根据分形统计模型，得到时尚商品历史价格时间序列的分形维数，通过不断增加新销售或预测得到新的记录方法，求得增加新记录后的新分形维数，由此可以预测出下一时间单位的商品销售价格。通过实例进行了方法检验和结果比较，取得了较为理想的预测结果，证明了该方法的可行性和有效性。     

基于LS-SVM的个人信用评估

个人信用评估一直是金融业研究的重要内容,已取得一定的研究成果,但与现实的业务发展要求还有一段距离。本文在信用评估中应用了一种新的方法———最小二乘支持向量机方法(LS-SVM),该方法具有专门针对小样本、算法复杂度与样本维数无关、处理非线性等优点。使用真实的信用卡数据实证结果表明,本方法具有较好的预测能力,在与Logistic方法进行个人信用评估的对比研究中,该方法具有明显的优势。     

基于遗传算法的进化支持向量机研究

支持向量机是最近发展起来的一种新的通用的机器学习方法 ,其理论基础是统计学习理论 ,支持向量机无论在模式识别还是在函数拟合方面均显示了其优越性 ,并越来越受到国内外研究者的广泛关注 .但是 ,对支持向量机的推广预测能力具有很大影响的核函数和参数C一直没有一个很好的确定方法 ,针对这一问题 ,将遗传算法和支持向量机结合 ,提出了一种自动选择支持向量机参数的方法 ,结果表明 ,这种方法是科学有效的 .