基于SVR的混合模型预测股价

发布时间：2023-04-19 21:12

　　在金融市场,股票预测一直是投资者和学术界的热门研究话题之一。随着经济全球化和股票市场的不断成熟,发展出了多种股票投资方式。近年来机器学习在多个研究领域取得了显著的成果,其中在股票预测方向除了传统的预测方法外,研究人员提出许多新的方法,并对已有的方法不断进行改进。例如利用深度学习预测股票中使用深度卷积网络、深度Q网络以及基于LSTM(长短期记忆网络)的深度循环神经网络预测股票。还有基于SVR(支持向量回归)的混合模型预测股价,将SVR和进化算法、SOM(自组织映射网络)、主成分分析等方法结合得到混合模型预测股票。另外还有研究人员通过挖掘社交媒体和新闻中投资人情感来进行股票预测。已有的基于SVR混合模型中,大多是针对单一特征建立模型进行预测。本文在基于已有的基于SVR混合模型的基础上,尝试了一种新的组合方式,对输入数据在多个方面进行了噪声抑制。针对SVR模型的特点对输入数据进行了变换,使用差分数据替代了原始输入,同时也突出了股价变化趋势。针对股票中混合着各种线性和非线性因素,引入小波变换来分离出股票中的主要成分和细节成分。针对股票数据单个数据点可能因为突发因素而存在明显噪声,使用了多尺度滑...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题的背景和意义
    1.2 当前研究现状
    1.3 本文主要的研究内容
    1.4 本章小结
第2章 股票预测相关理论和技术
    2.1 小波变换方法
    2.2 SVR方法
第3章 单一特征预测股票价格
    3.1 引言
    3.2 模型算法总体流程
    3.3 模型算法详述
        3.3.1 差分处理
        3.3.2 小波变换
        3.3.3 多尺度窗口滑动平均
        3.3.4 SVR参数选择
    3.4 与以往模型的差异
    3.5 实验过程
        3.5.0 数据获取
        3.5.1 特征选择
        3.5.2 数据预处理
        3.5.3 模型训练
    3.6 实验结果和分析
        3.6.1 评价标准
        3.6.2 实验结果
        3.6.3 结果分析
    3.7 本章小结
第4章 多维特征预测股票价格
    4.1 引言
    4.2 模型算法总体流程
    4.3 模型算法详述
        4.3.1 差分处理
        4.3.2 归一化
        4.3.3 小波变换
        4.3.4 单窗口滑动
        4.3.5 SVR参数选择
    4.4 与单一特征模型的差异
    4.5 实验过程
        4.5.0 数据获取
        4.5.1 特征选择
        4.5.2 数据预处理
        4.5.3 模型训练
    4.6 实验结果和分析
        4.6.1 评价标准
        4.6.2 实验结果
        4.6.3 结果分析
    4.7 与深度学习LSTM神经网络比较
    4.8 近期中国和美国股票市场预测
    4.9 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
深圳大学指导教师对研究生学位论文的学术评语
深圳大学研究生学位（毕业）论文答辩委员会决议书
致谢
攻读硕士学位期间的研究成果



本文编号：3794218