论文部分内容阅读
随着经济水平的提高,股票市场大有愈演愈烈之势,越来越多的人投入到了股票预测的研究之中。然而影响股票的因素众多,包括金融政策,市场环境,经济周期,甚至是人为操纵的因素,如何抓住众多的影响因素找到一个对股票预测行之有效的方法,是众多专家学者研究的热点。在众多的股票预测方法中,支持向量机是一个不错的机器学习方法。本文就支持向量机在股票预测上的应用展开研究。首先在上证和深证系列股票中随机选取了各行各业总共24支个股,并辅以上证指数和深证指数,通过在选取股票上取得的较好的预测效果从而推广到整个股票市场中。技术方面,本文以模型的预测正确率和平均拟合偏差作为衡量模型预测性能的标准,通过特征工程构建合适的特征变量并借助主成分分析的方法对输入变量进行降维处理来消除变量间的多重共线性,同时能够提高模型的速度,构建支持向量分类机和支持向量回归机结合回归拟合与股票涨跌分类共同对股票进行预测以及在支持向量回归的基础上构建股票投顾策略模型在构建模型的同时不断探索合适的时间滑窗,尝试包括遗传算法和粒子群算法等不同的参数优化方法,以求尽可能优化模型的预测性能。在模型优化的同时,挖掘搜索热度以及新闻情感,通过自然语言处理技术尝试找到与股票历史走势的关联从而构建更好的情感特征,进一步提升支持向量机模型的预测性能。本文还势图构建多核支持向量机进一步提升模型效果,最后通过对“牛市”和“熊市”的划分尝试在不同阶段构建对应的支持向量机,找到适应不同场景的支持向量机模型,从而达到对股票更好的预测效果。实证分析发现,通过主成分分析降维,能让支持向量机模型在略微的预测正确率损失情况下其运行速度得到巨大的提升,同时发现支持向量机对于预测股票的最佳时间滑窗为3,支持向量分类和回归的结合能提升模型3%-4%的预测准确率;在参数优化方面,遗传算法和粒子群算法在模型迭代次数,运行时间和预测准确率三个方向上都全面领先普通的网格搜索法,同时通过构建合适的新闻情感特征也使得模型的预测准确率进一步提升;另一方面股票投顾策略能帮助投资者进行股票组合的选取,给投资者带来更多的收益,多核支持向量机能够在可以接受的速度牺牲下提升模型的性能;研究最后还发现分别在“牛市”和“熊市”构建的支持向量机模型要明显优于“盘整期”,特别是在搜索热度指数的加持下。通过本文的研究,希望不断优化的支持向量机模型能够给众多投资者和政府部门带来一定的指导和参考。