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.     

PSO—SVR方法在权证价格预测中的应用

以江铜CWB1（580026）权证为样本,将标的股票价格和权证规定的行权价格之比、无风险利率、波动率和权证到期期限作为输入,权证价格作为输出,利用支持向量回归和粒子群算法进行仿真分析和预测,发现经过PSO算法优化过的SVR方法对权证价格的仿真结果精度高,能够较好地拟合和预测样本权证价格。     

基于低频分量EEMD-SVR预测建模的指数择时策略

以机器学习为基础设计高效的股票择时策略是量化投资领域的研究热点。文章结合集成经验模态分解(EEMD)和ε-不敏感支持向量回归(SVR)的优势,提出基于EEMD-SVR的指数低频分量预测模型,进而构建基于低频分量趋势预测的沪深300指数择时策略。首先,对沪深300指数进行EEMD分解,剔除高频IMFs后利用低频IMFs和趋势项重构指数低频分量;其次,运用ε-不敏感SVR构建低频分量预测模型;然后,根据低频分量预测结果制定交易信号生成规则,构建沪深300指数择时策略;最后,对构建的策略和MACD等多种择时策略进行对比评估,结果表明:构建的策略能更高效地把握指数的中长期主要趋势,在收益获取与风险控制等方面的表现显著超越了对照策略。     

基于最小一乘的GA-SVR用电量预测

基于最小一乘准则和交叉验证思想下,提出了一种基于自适应遗传算法参数寻优的支持向量回归机模型。该模型采用最小一乘准则作为训练标准,提高了模型的整体稳定性。使用自适应遗传算法对支持向量回归模型进行参数寻优,加快了训练时间,提升了预测精度,同时,交叉验证方法的采用,又进一步地提升了模型的泛化能力和预测精度。采用该模型对江苏省全社会用电量进行预测的结果表明,其预测精度要优于传统的支持向量回归模型和一般的粒子群优化支持向量回归模型。