英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
一种改进的基于模糊支持向量机的股价趋势预测模型
美国加利福尼亚州圣地亚哥市CSD数学系；美国加利福尼亚州洛杉矶市南加州大学马歇尔商学院；中国中央财经大学中国经济与管理学院。
关键词：纳斯达克股票市场、标准普尔（samp;P）股票市场、支持向量机、新型先进模糊支持向量机（NA-FSVM）。
摘要
模糊支持向量机在股价预测中的应用。支持向量机是20世纪90年代提出的一种新的机器学习方法，它能很好地处理分类和回归问题。由于支持向量机良好的学习性能，该技术已成为机器学习领域的研究热点，并在许多领域得到了成功的应用。然而，作为一种新技术，支持向量机有许多局限性。客观世界中存在着大量的模糊信息。如果支持向量机的训练包含噪声和模糊信息，那么支持向量机的性能将变得非常弱和无力。由于影响股价预测的因素很多，传统的支持向量机预测结果不能满足人们对预测精度的要求，本研究对传统的支持向量机模糊预测算法进行了改进，提出了提高新模型预测精度的方法。考虑纳斯达克股票市场、标准普尔（samp;P）股票市场。提出了一种新的先进模糊支持向量机（NA-FSVM）方法。
介绍
股票价值表发展预期被视为货币时间序列预测的检验任务。对股票价值发展的准确预测可能会给投资者带来回报。由于股票市场信息的多方面性，预测生产模型的提出是非常麻烦的。预测股票价值记录及其发展一直被认为是时间序列预测最困难的应用之一。尽管已经有许多精确的研究来处理预期股票价值记录的问题，但大多数观察结果都与创造的货币相关市场有关。尽管如此，本文对发展中市场股票价值记录发展的预期研究并不多见。准确预测股票价值指数的发展对制定强有力的市场交易策略至关重要。因此，投资者可以防范潜在的市场风险，投机者和套利者有机会通过交换股票上市获利。由于股票市场本质上是强大的、非线性的、纠缠的、非参数的、动荡的，因此股票市场预期被视为与货币相关的时间序列预测过程的检验任务。此外，股票市场还受到许多全面的货币因素的影响，如政治事件、公司政策、一般金融状况、投资者预期、机构投资者的选择、其他股票市场的发展以及投资者的心理。
支持向量机和模糊支持向量机已成功地应用于货币相关时间序列的显示和预测。虽然模糊理论可以作为时间序列预测的一种非常有用的工具，但已有研究表明，由于股票市场信息具有极大的噪声、非平稳性和复杂的维数，模糊理论在引入时间序列预测中存在一定的局限性。模糊性常常表现为对噪声信息的不一致和异常执行。按照这些思路，预测股票价值变动是完全麻烦的。
利用土耳其等发展中市场的信息来研究股票价值记录发展的一致性程度是一个很有意义的问题。纳斯达克股票市场、标准普尔（samp;P）股票市场的市场回报率具有高度的不稳定性。这种不可预测性吸引了众多附近和外部投资者，因为它提供了特殊的收益率可能性。
文献综述
近年来，对各种货币相关工具运动的研究不断增多。无论是学术研究者还是实务工作者，都试图通过巨大的努力来预测股市文件或其到来的未来走势，并设计与货币相关的交易策略，将预测转化为利润。在随后的章节中，我们重点回顾了以往与股市预期相关的模糊和支持向量机的研究。关于股票市场一致性的研究已有大量文献。这些研究运用了各种类型的模糊数学方法，对股票价值收益率及其发展方向进行了精确的预测。基于多变量分类技术，通过检验各种期望模型，并与预测记录收益过程的各种参数模型和非参数模型进行对比，证明了模糊理论在预测股票价值收益方面具有良好的应用前景。观测试验表明，该分类模型优于水平估计模型多功能指数平滑、向量自回归和卡尔曼信道升级，多变量传递函数和多层支持前向神经系统在预测股市发展过程和提高投资交易收益方面的应用。利用概率神经系统对记录收益率进行预测。比较了概率神经系统预测与矩量法和任意行走法的统计执行情况。观测结果表明，概率神经系统的预测能力强于矩和不规则行走期望模型。所编制的神经网络基于各种专门指标来估计纳斯达克股票市场、标准普尔（samp;P）股票市场的走势。尽管神经系统模型对日、月信息的预测执行忽略了对线性回归的影响，但这些模型能更准确地预测指标的影响。研究人员打算证明模糊预测股票价值发展的准确性。
一些研究者倾向于将几种人工智能技术结合起来，以预测股市收益一种跨品种的计算机推理方法来处理预测标普股票期货每天价值变化的趋势。半人工智能方法结合了基于运行的系统和神经网络策略。结果表明，推理神经网络优于其他两种模糊模型。
支持向量机在这一节已经讨论过了。支持向量机是一种基于结构风险最小化准则的机器学习技术，它在与准备集外的信息连接时表现良好。在实验中，提出的支持向量机结构绕过了各种测试方法。具体来说，模糊支持向量机技术以每张图片一个假阳性聚类的错误率实现了高达89%的灵敏度。
研究人员提出了另一种元素选择策略，该策略使用了类似于在支持向量机递归组件端实现的回归端技术。与支持向量机技术不同的是，在每一步，该方法都是通过对多个直接支持向量机的权值向量的统计分析来计算元素的定位得分。在四个质量表达式数据集上对所提出的生长分类策略进行了测试。结果表明，与第一支持向量机相比，本文提出的亮点选择策略选择了质量较好的子集，提高了分类精度。
研究者提出了一种半监督分类技术，利用有标记和无标记样本来解决支持向量机的不适定问题。这项技术是建立在统计学习假设的最新发展基础上的，这些假设涉及到传导归纳，特别是传导支持向量机。在分析了本文提出的反导支持向量机的性质的基础上，提出了一种新的用于解决不适定遥感问题的调整反导支持向量机分类器。探索性结果证实了该技术对一组不适定的、代表不同代理条件的遥感分类问题的有效性。
研究者利用模糊支持向量机技术，准备应用于各类应用的各种特性，从一个校园中捕捉整理出脊柱。建立判别器选择计算，以获得分类特征的最佳组合。该方法提高了样品制备和测试的精度。此外，所有元素参数都可以从捕获的包裹头中连续计算，这表明可以实现高精度的恒定系统活动分类。
具体分析了SS支持向量机学习阶段的代价工作不凸性的基本问题，在目标容量的原始定义中，考虑了直接求解增强问题的独特技术。由于大量的邻域极小值可以描述不增加的代价容量，不同的改进技术可能会促使不同的分类结果。测试结果表明，与双规划中的SS支持向量机相比，改进的原始定义具有更高的精度和更好的预测能力。
研究者致力于设计支持向量机的修正，以适当地处理类别不平衡的问题。提出了支持向量机显示中的多种再平衡启发式算法，包括代价敏感学习、过采样和欠采样。这些基于支持向量机的策略通过使用不同的度量、受惠工作特性弯板下的区域和精度/检查弯板下的区域，在各种信息集上进行对比和各种工艺状态方法。结果表明，在每个信息集上都有可能超越或协调已有的最佳算法。
研究人员演示了如何利用这些特征来感知复杂的运动模式。基于邻域时空特征构建视频表示，并将其与支持向量机分类方案相结合进行确认。所给出的活动确认结果证明了所提出的策略的正确性，并与其他相关的活动确认方法进行了比较。
探索性研究。
本部分介绍了研究信息和指标属性的选择。本研究所使用的研究资料是纳斯达克股票市场、标准普尔（samp;P）股票市场收盘价逐日发展的结果。
从整个信息集中提取了一些子集。第一个子集用于确定评估模糊支持向量机和模糊支持向量机模型的有效参数值。该信息集称为参数设置信息集，用于实验准备。参数设置信息集约占整个信息集的10%，与整个信息集中每年的增减量相对应。例如，1950年参数设置信息中轴承增大的箱数为25箱，减小航向的箱数为19箱。利用他的采样策略，参数设置信息集适合于表示整个信息集。制备信息用于确定模型的规格和参数，保留保留保留信息用于样本外评估和两个期望模型之间的性能比较。
一旦确定了生产参数值，模糊支持向量机模型和支持向量机模型的期望性能就可以进行对比。考虑到使用参数设置信息集指定的参数值，对整个信息集执行此执行比较。也就是说，期望模型必须使用另一个准备信息集重新准备，该信息集必须是整个信息集的另一部分，并且必须大于参数设置信息集的准备子集。在重新准备之后，必须使用另一个holdout信息集（即整个信息集的其余部分）完成模型的样本外评估。这样，整个信息集被重新分离为制备信息集和持留信息集，用于对比实验。考虑到整个信息集的增加和减少的分散性，这一点也得到了承认。表1、2、3和4给出了结果比较信息集中的案例数量。每个病例的10个专门指标被用作信息变量。
股票市场上的许多储备经理和投资者大多承认并使用某些专门指标的标准作为未来市场趋势的信号。可使用各种专门指标。一些专门指标在倾斜市场下是可行的，而另一些指标在没有漂移或重复的市场下表现更好。在前人研究的基础上，本文假设在构建期望模型时，可以使用各种专门指标作为信息变量来预测股票价值记录的发展过程。
以下是通过计算30天的收盘价而得到的用于30天移动平均线的公式。如方程式1所示。30天移动平均值=（Pc Pc-1 hellip; Pc-30）/30（1）推动力由节点数和收盘价计算得出。如等式2所示。推动力=Pc-Pc-n（2）加价或交割采用高价、低价和收盘价计算。如方程式3所示。添加或交付=（Ph-Pc）/（Ph-PL）x 100。
探索的模型-新型高级模糊支持向量机（NA-FSVM）
新型先进的模糊支持向量机（NA-FSVM）在货币相关的显示和预测方面显示出了良好的性能。本文构建了一个多层支持向量机（NA-FSVM）模型来预测股票价值记录的发展。该模糊支持向量机显示由信息层、覆盖层和屈服层组成，它们之间相互关联。新一代先进模糊支持向量机（NAFSVM）的每一层都应使用不少于一个神经元。系统的输入是由信息层的10个神经元表示的10个专门指标。该系统的收益率是两种股票价值承担模式。系统的屈服层由代表发展过程的杰出神经元组成。准确地解析了覆盖层神经元的数量。图1给出了模糊支持向量机的工程。
利用可用系数将层的节点连接到相邻层的节点上。使用一种学习方法，对这些权重进行调整，以便对给定的信息/产量对集有效地分类给定的信息模式。这些权重的基本值是任意分配的。本实验采用反向生成学习算法来构造三层前向滋养模糊结构。利用均方根相对率对新型先进模糊支持向量机（NA-FSVM）的显示性能进行评估。再次，在产量层上使用logistic-sigmoid转移能力。如果产量自尊小于1.25，则相应的情况被归类为递减过程；否则，则被归类为发展中的递增结果。确定了各参数混合的制备过程和持留过程。选择制备和保持性能最佳的参数混合物作为相应模型的最佳参数。所有实验均采用MATLAB软件中的神经网络工具箱进行指导。
表1显示了纳斯达克股票市场每年10月1日的案例数量。表2显示了纳斯达克股票市场每年10月12日的案例数量。表3显示了标准普尔（samp;P）股票市场每年1月10日的案例数量。表4显示了标准普尔（samp;P）股票市场每年10月10日的案例数量。
表1.纳斯达克股票市场每年10月1日的案件数量
表2.每年10月12日前纳斯达克股票市场的案例数量
表3:标准普尔（samp;P）股票市场每年1月10日的案件数量
表4:标准普尔（samp;P）股票市场每年10月10日的案件数量
支持向量机是在分类、确认、回归和时间序列中执行的一组算法。新的先进模糊支持向量机（NAFSVM）开始作为一种使用结构风险最小化标准来创建并行分类。新型先进的模糊支持向量机（NA-FSVM）是在统计学习假设的基础上发展起来的一种管理投机行为的最佳方法，它能在结构性多方面质量和观测风险之间找到一个理想的交换点。新的先进模糊支持向量机（NA-FSVM）通过将点分配到两个不相交的半空间中的一个来进行分类，无论是在示例空间还是在高维元素空间。
研究结果：
表1、表2、表3和表4给出了四种参数组合和相应的预测精度。假设四个表中每一个表中给出的四个参数组合是表示整个信息集中所有情况的最佳参数组合。利用这些参数组合，作者现在可以进行新型先进模糊支持向量机（NA-FSVM）的比较实验。表3中总结的信息集通过四种不同的参数组合连接到新的高级模糊支持向量机（NA-FSVM）。组合是一样的。尽管如此，由于其正常的延迟执行通常比其他参数更突出，因此第三个参数的执行略优于其他参数。沿此思路，该参数组合的预测执行可作为模糊支持向量机的最佳表现。对于所选的参数组合，2013年获得了最佳持留执行（88），而最差的执行在1957年获得。螺旋基新型先进模糊支持向量机（NA-FSVM）模型对四参数组合的预测执行具有多样性，且比模糊支持向量机的预测执行效率低。结果表明，新的改进型模糊支持向量机（NA-FSVM）比模糊支持向量机具有更好的预测性能。
图2：（左）每年10月1日纳斯达克股票市场案例的图示
图3：（右）每年10月12日纳斯达克股票市场案例的图形表示
总结：
预见股票市场行情变化的方向，对于推进强有力的市场交易策略至关重要。它通常会影响货币相关经纪人购买或出售工具的决定。股票价格的成功预测可能会给投资者带来诱人的利益。这些任务错综复杂，异常麻烦。本研究旨在预测纳斯达克股票市场、标准普尔（samp;P）股票市场价值发展的影响。
构建了纳斯达克股票市场、标准普尔（samp;P）股票市场的两个预期模型，并根据1950-2015年的逐日信息对其表现进行了思考。根据得到的试验结果，可以得出一些重要
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[237509]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
