论文部分内容阅读
支持向量机(Support Vector Machine,SVM)作为数据挖掘中的新方法,是借助于优化方法解决机器学习问题的新工具。它基于结构风险最小化原则,克服了传统方法的大样本要求,并有效地克服了维数灾难及局部最小问题,SVM在模式识别、回归估计等领域都已取得了很好的应用。核函数作为支持向量机的核心,通过将低维输入向量映射到高维特征空间,有效地解决了非线性问题。核函数在支持向量机中占用极其重要的地位,是支持向量机理论成熟发展的关键。在利用支持向量机进行分类和回归时,如何选择合适核函数,以及根据具体数据构造合适的核函数,选择最优的核参数,是获得较好分类和逼近效果的基础和前提。考虑到核函数在支持向量机中的重要性,本文系统综述了国内外核函数选择、构造以及核参数选择方法,在分析各种典型方法的特点、总结该领域研究现状的基础上,构建结合全局核特性以及局部核特性的线性组合核函数,选择具有代表性的多项式核函数和RBF核函数进行线性组合建模,通过构建组合函数的核矩阵代码嵌入现有软件中进行直接学习,避免编程中不同程序语言的反复编译,简化支持向量机内部运算程序,减少运算时间。在核参数的选择上,本文在Hsu对于单个RBF核函数的参数选择方法基础上构建组合核函数参数选优方法:先用较大步长的网格搜罗法得到最优的核参数以及组合权重后,再在该核参数附近一定范围内进行步长较小的网格搜罗法选取最优核参数。最后运用该方法构建我国中小股指择时模型,分别用高斯单核函数、多项式单核函数以及组合核函数单独寻优,和本文构建的方法从量化分析的角度对中小板股市的趋势进行预测,通过比较四种不同方法可得出本文构建的方法比传统的单核核函数支持向量机方法具有一定程度的优越性并且具备相应的推广性能,较一般的单核核参数组合方法也能表现出较好的预测性能。