基于支持向量机的粒子群神经网络集成股市预测模型

为有效提高神经网络集成的泛化能力,先利用量子粒子群和主成分分析提高集成个体的泛化能力,再利用泛化能力强的支持向量机回归集成生成输出结论,建立一个基于支持向量机的粒子群神经网络集成股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.     

不同矩属性波动模型对中国股市波动率的预测精度分析

金融时间序列的波动性建模经历了从一阶矩到二阶矩直到高阶矩(包含三阶矩和四阶矩)的过程,而对于高阶矩波动模型是否有助于对未来市场的波动率预测这一问题,国内外学术界尚无文献讨论。以上证综指长达7年的每5分钟高频数据样本为例,通过构建具有不同矩属性的波动模型,计算了中国股票市场波动率的预测值,并利用具有bootstrap特性的SPA检验法,实证检验了不同矩属性波动模型的波动率预测精度差异。实证结果显示:就中国股市而言,四阶矩波动模型能够取得比二阶矩波动模型更优的波动率预测精度,而三阶矩波动模型并未表现出比二阶矩波动模型更强的预测能力;在高阶矩波动模型中包含杠杆效应项并不能提高模型的预测精度。最后提出了在金融风险管理、衍生产品定价等领域引入四阶矩波动模型的研究思路。     

上海股市波动的预测方式和模型

探讨基于 SV类模型的上海股市波动的预测方式和模型问题 .比较了 SV( stochastic volatility)类模型 (包括基本 SV模型和 ASV模型 )在两种不同方式下的预测效果 ,并将基本 SV类模型的预测效果与 ASV模型 ,以及其他常用模型做了比较 .结果表明 :SV类模型在两种预测方式下的预测效果存在一定的差异 ;基本 SV模型对于上海股市具有较强的预测能力 ;ASV模型的预测效果不理想 .     

股市波动性预测模型改进研究

本文从参数估计准则和收益率波动性的定量表达这两方面来探讨股市收益的波动性预测改进方法,并由此提出了以收益率偏差绝对值为代替偏差平方并利用非线性最小二乘法来估计参数的(A)GARCH-NLS模型。最后,我们以国泰君安指数、上证综指以及深证成指1998 1 5-2002 9 25的每日收盘价格为样本来考察各种合理替代所产生的模型对股市波动性的预测性能影响。结果发现,(A)GARCH-NLS模型对股市波动性的预测精确度有了较显著的提高。     

中国证券市场不同频率波动预测模型比较研究——基于预测精度和风险管理的视角

准确估计和预测金融资产价格波动是金融风险管理的核心问题。本文将厚尾分布纳入混合频率模型,采用上证综合指数2004-2011年滚动时间窗样本,利用SPA检验和MCS检验对低频、高频和混合频率三类波动模型预测精度进行比较。从风险价值的准确性和预测失败的损失程度角度对比三类模型的风险管理效果。通过对不同损失函数和不同时间窗口的分析发现,在10个波动预测模型中,扩展后的混合频率Realized GARCH_t在预测日波动时具有较高的预测精度,能准确计算短期风险价值,而在预测周或者月波动时,半参数NSM模型预测精度更高,风险价值更准确。     

基于状态空间SV-T-MN模型的股指波动率预测

本文考虑到金融收益率序列的"尖峰厚尾"和波动持续性等特征,针对厚尾SV-T模型的波动率样本外预测问题,提出了基于状态空间下的SV-T-MN(SV-T with Mixture-of-Normal)模型。首先根据MCMC方法估计SV-T模型参数,然后由EM算法估计混合正态参数,最后利用近似滤波(AMF)算法实现SV-T-MN模型的样本外预测。对KF、EKF、AMF进行的模拟研究表明高斯混合状态空间下的AMF更有效。通过对上证指数和深证成指的股指日收益率序列的实证研究结果表明,在五大损失函数评价准则下,基于状态空间SV-T-MN模型能有效刻画金融收益率序列和尾部的波动性,相比SV-N-MN模型具有更好的优越性。     

极端波动、跳跃和尾部风险——基于已实现波动率的股票市场风险动态预测

本文基于跳跃扩散波动理论,利用非参数方法估计波动中跳跃成份,研究我国股市波动中跳跃的动态演变特征,将跳跃作为股市波动的重要因素纳入模型,建立我国股指收益率的非齐次自回归已实现波动率模型,利用条件极值方法对我国股市的波动风险进行动态预测.统计结果表明:在股市大波动时期跳跃发生更为频繁,而且和连续成份相比较,跳跃对股指波动的贡献占据主要地位。和传统的EGARCH模型相比,包含跳跃的已实现波动率模型对股指波动风险预测性能明显优于EGARCH模型风险预测,跳跃对股指波动风险预测具有显著的解释力.对股市历史数据的分析和预测表明,跳跃对于股指日收益率尾部行为具有重要的影响,大跳跃的发生导致尾部风险显著增大。本文研究结果对于政府监管部门监控股市和制定有效的调控措施加强股市风险管理具有重要的参考价值。     

优化支持向量机在降水预报中的应用

利用粒子群优化算法对支持向量机参数进行优化,主成分分析法对众多的降水因子进行特征提取,将取得的主成分作为优化支持向量机的特征向量建立优化支持向量机降水预测模型,并对广西降水进行预测.仿真结果表明,粒子群优化支持向量机的预测结果与降水实际值有很好的一致性,通过与其他模型进行比较,表明了模型拟合和泛化能力方面的优越性.     

基于支持向量机的区间模糊数时间序列预测

研究了区间模糊数时间序列的预测方法.首先将区间模糊数序列转换为等量信息的精确数序列,然后对精确数序列建立支持向量机回归模型,通过还原公式,得到区间模糊数序列的拟合值和预测值.最后给出了数值实验,实验结果表明方法有效可行,且比ARMA回归模型以及灰色模型的预测精度更高.     

装备费用预测中的混合核函数支持向量机

在支持向量机预测建模中,核函数用来将低维特征空间中的非线性问题映射为高维特征空间中的线性问题.核函数的特征对于支持向量机的学习和预测都有很重要的影响.考虑到两种典型核函数—全局核(多项式核函数)和局部核(RBF核函数)在拟合与泛化方面的特性,采用了一种基于混合核函数的支持向量机方法用于预测建模.为了评价不同核函数的建模效果、得到更好的预测性能,采用遗传算法自适应进化支持向量机模型的各项参数,并将其应用于装备费用预测的实际问题中.实际计算表明采用混合核函数的支持向量机较单一核函数时有更好的预测性能,可以作为一种有效的预测建模方法在装备管理中推广应用.     

基于小波去噪的灰色和支持向量机组合预测模型

金融时序数据具有非平稳、含噪声等特点,采用单一的预测模型时预测精度并不理想.据此,构建了基于小波去噪的灰色和支持向量机组合预测模型,并对预测难度较高的我国热钱流动规模进行了预测.实验结果表明:与经典GM(1,1)幂模型相比,组合预测模型的平均相对误差由46.14%降到2.95%,预测精度有显著性提高.     

基于网络舆情支持向量机的股票价格预测研究

提出一种基于网络舆情和股票技术指标数据的支持向量机回归模型(NPOSVM),提高了股票价格的预测精度.模型首先将抓取的微博、股吧等股评观点分为正面和负面两类,计算正面观点所占的比例作为网络舆情,然后对网络舆情和股票技术指标数据作主成分分析,最后对保留的主成分运用支持向量机回归建模预测.实证分析国药股份(SH600511),仿真结果表明网络舆情与股票价格之间的相关系数为0.76;基于股票技术指标数据的支持向量机回归模型(TI-SVM)预测平均相对误差为1.29%、趋势准确率为57.14%,而NPO-SVM预测平均相对误差为0.66%、趋势准确率为71.43%.于是证明,NPO-SVM模型显著地提高了预测精度,是一种有效的预测股票价格的模型.     

基于GARCH模型族的中国股市波动性预测

收益与风险历来都是投资者与研究者所关注的问题 .本文选取 GA RCH、TGARCH和 EGARCH模型来拟合中国股市的波动性 .实证分析结果表明 ,中国股市的波动具有显著的波动聚类性与持续性 ;由 E-GARCH模型所预测的上证 30指数、上证综合指数和深证成份指数未来一天的波动要明显优于 GARCH和TGARCH模型的对应值 ,而对香港恒生指数 ,三种模型的预测结果无显著的差异 .     

中国股票市场波动非对称性特征研究

利用三种 GARCH-M模型实证分析了中国股票市场不同发展阶段波动的非对称性特征 .结果发现 ,中国股票市场存在显著的波动非对称性 ,并且在不同阶段呈现不同特点 .对三种模型进行比较的结果显示 ,EGARCH-M模型是描述中国股市波动非对称性特征的最优模型 .     

结构可靠性分析的支持向量机方法

针对结构可靠性分析中功能函数不能显式表达的问题,将支持向量机方法引入到结构可靠性分析中．支持向量机是一种实现了结构风险最小化原则的分类技术,它具有出色的小样本学习性能和良好的泛化性能,因此提出了两种基于支持向量机的结构可靠性分析方法．与传统的响应面法和神经网络法相比,支持向量机可靠性分析方法的显著特点是在小样本下高精度地逼近函数,并且可以避免维数灾难．算例结果也充分表明支持向量机方法可以在抽样范围内很好地逼近真实的功能函数,减少隐式功能函数分析（通常是有限元分析）的次数,具有一定的工程实用价值．     

基于非参数GARCH模型的中国股市波动性预测

本文采用上证综合指数和深证成份指数1997年1月2日—2005年6月30日的每日收盘价对数百分收益率为样本,运用非参数GARCH(1,1)模型研究了中国股票市场的波动性,并与参数GARCH(1,1)模型的估计结果进行了比较,最后利用六种预测误差度量指标比较了这两种模型的样本内及样本外预测能力,结果发现,非参数GARCH(1,1)模型对股市波动性的预测精度有明显提高。     

人工鱼群算法优化支持向量机的物流需求预测模型研究

物流需求受多种因素的作用,具有时变性和混沌性,针对当前支持向量机的参数优化难题,提出一种改进人工鱼群算浅优化支持向量机的物流需求预测模型.首先对原始物流需求数据进行混沌分析,挖掘出隐藏其中的物流需求变化规律,然后采用支持向量机对物流需求数据进行非线性建模,并采用人工鱼群算法搜索支持向量机的参数,最后利用某地区物流数据与当前经典模型进行性能对比测试.结果表明,模型预测精度.更高,更加客观地反映了物流需求变化特性.     

中国股市波动性的非线性结构检验

在随机模型框架下考察股市波动性对于风险控制和管理是至关重要的。本文对沪、深股市收益率波动性的非线性结构方正启体简体进行了检验。首先,通过M cLeod-L i检验初步确定了非线性结构的存在;然后,使用BDS检验做了进一步的验证;最后,通过Hsieh检验对波动性的非线性结构类型进行了区分。     

基于高斯核支持向量机的商品期货市场套利研究

基于高斯RBF核支持向量机预测棉花商品期货主力和次主力合约协整关系的价差序列,确定最优SVM参数,并选择合适的开平仓阈值,进行同品种跨期套利.再与多项式核支持向量机套利结果对比,得到在所有开平仓阈值上,基于高斯RBF核支持向量机套利的收益率都明显高于多项式核支持向量机套利的收益率.     

支持向量机方法与模糊系统

概括介绍了近年来倍受瞩目的一种新的计算机学习方法——支持向量机(Support Vector Machines,简称SVM)方法,这一方法具有坚实的理论基础和出色的应用效果;并分析了SVM方法与模糊系统的关系,对这两种方法的交互促进和发展提出了看法。