论文部分内容阅读
作为经济生活中一个很重要的部分,股票市场是一个复杂的非线性动力系统,因此预测股市是非常困难的。但是由于股市预测的经济意义重大,它在金融投资领域占有及其重要的地位,一直以来都是人们关注的焦点。随着股票市场混沌现象的发现和证明,许多预测混沌时间序列的技术被用来预测股票价格,并取得了一定的成果。本文选取了香港恒生指数和美国道琼斯指数时间序列来作为研究对象。首先,在对数据平稳化处理后,本文利用C-C法同时选取了相空间重构的两个关键参数:延迟时间和嵌入维数,从而完成了对股指序列的相空间重构。然后,利用G-P法计算了关联维数、利用小数据量法计算了最大Lyapunov指数来作为重构质量的评估,结果证明对股指序列重构的结果比较理想。近年来,随着人工智能技术的发展,支持向量回归机(Support Vector Regression,SVR)被成功地应用于股票市场建模中。因此,本文研究了SVR及其扩展的形式在股指序列预测中的应用。首先,利用标准型SVR预测了四个相空间重构后的股指序列,结果表明在可预测时间尺度范围内,该方法预测的效果比较理想。但是,由于股指序列含有噪声、波动性强等问题的存在,固定损失函数的边界会使模型失去对市场信息的及时反映,从而使预测的风险变大。因此,本文利用一种边界不对称型的SVR来改进模型。边界的设定变为由输入变量的方差和相邻点的差值组成,分别反映了序列的波动性和升降趋势。结果表明边界不对称型SVR可以使得预测结果更加准确,并且更有实际意义的是,它降低了下跌风险并一定程度上拉长了可预测时间尺度,因此它更适合用于股指时间序列的预测。本文还推导了回归函数与损失函数上下边界的关系,得到的结论是在一定条件下,回归函数相对上边界来说单调递减,对于下边界来说是单调递增的,因此可以通过上下边界的调整来控制下跌风险。最后,本文提出了研究中存在的问题,并对此提出了今后的研究方向。