论文部分内容阅读
随着经济的发展和人们投资观念的转变,债券市场成为最受欢迎的投资方式之一。然而,债券本身是一种有价证券,其价格受市场利率、经济发展情况、市场供求关系、物价水平等因素的影响。债券价格的波动直接关系到投资者的收益情况,对一个国家来说,债券价格的波动甚至有可能导致债券危机,给国家和人民带来严重的经济损失。因此,对债券的预测研究具有深刻的理论意义和重要的应用价值。但是债券数据自身内部结构的复杂性及外部影响因素的多变性决定了债券市场预测的艰巨性,现有分析预测方法的效果并不是很理想。因此,如何从现有的数据中挖掘出有价值的信息并将其应用于投资决策中成为了债券预测的热点问题之一。支持向量机(SVM)是一种新兴数据挖掘技术,在高维模式识别、回归估计等方面表现出特有的优势。在支持向量机学习方法中,核函数是SVM的重要组成部分,它通过低维空间数据到高维特征空间的映射来克服低维空间线性不可分的问题。核函数的构造及其相应参数的选取在很大程度上影响着SVM的性能,选择好核函数和参数可以提高预测精度。在每个应用领域不同的核和参数性能差别会很大,但目前核函数和参数的选择并没有一个通用的模式和标准,因此选择与给定问题相适合的核函数是一个难题。其次,在SVM输入空间中,通常存在含噪声较多的冗余特征,这不但会增加模型的计算复杂度,而且影响了预测精度。基于以上分析,本文主要研究内容如下:(1)针对债券数据近期样本远比早期重要的特点,以及兼顾训练样本数据时所需的局部性和全局性,本文构造出一个新的混合核函数。首先通过大量的实验确定适合债券数据的参数,然后通过分别赋予高斯径向基核和多项式核随时间动态调整的权重值,将两者组合起来构造出了一个新的组合核函数。实验结果表明,本文设计的组合核函数比现有核函数在债券数据预测中具有更高的预测准确度。(2)针对债券数据固有的低信噪比的特点,本文提出了一个基于独立分量分析特征提取的支持向量回归模型。该模型主要采用独立分量分析法(ICA)来完成特征提取过程,首先通过固定点算法(FastICA)对源信号进行分离,然后使用相对Hamming距离分别计算每个特征的噪声,最后采用测试和验收(Testing-and-Acceptance,TnA)方法根据噪声值完成特征筛选过程,以达到降低SVM输入空间的维度和提高预测精度的目的。通过实验验证,此模型有效地提高了支持向量回归机的性能,从而提升债券预测的精确度。至此,我们寻求到了一个更适合于债券预测分析的模型。