摘 要：針對股市當(dāng)中證券指數(shù)的不確定性隨機性和波動性等特點，提出一種基于支持向量機的預(yù)測模型對上證指數(shù)進行預(yù)測，利用SVM建立的回歸模型對上證指數(shù)每日的開盤數(shù)進行擬合。其結(jié)果表明，支持向量機的預(yù)測模型具有較高的擬合和預(yù)測精度，且支持向量機預(yù)測方法計算速度快，準(zhǔn)確率高，具有很好的推廣應(yīng)用價值。

關(guān)鍵詞：支持向量機；上證指數(shù)；回歸預(yù)測

1 引言

股票起源于西方，到今天已經(jīng)有300多年的歷史了。如今股市已經(jīng)成為國民經(jīng)濟的“晴雨表”。[1]股票的價格具有很大的不確定性，受政治、經(jīng)濟、投資者心理等諸多因素的影響。因而股市的走勢成為許多人關(guān)注的焦點。

近年來在股市預(yù)測方面運用的最廣的是神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)由于它自身的優(yōu)點如結(jié)構(gòu)相對簡單和很強的解決問題能力而成為流行和成功的方法。然而由于神經(jīng)網(wǎng)絡(luò)自身存在的易于陷入局部極小值，隱含層難以確定，訓(xùn)練速度慢，過學(xué)習(xí)等問題所以也需要進一步改進。支持向量機是Cortes和Vapnik在1995年首先提出的[2]，建立在統(tǒng)計學(xué)習(xí)理論和VC維理論和結(jié)構(gòu)風(fēng)險最小的基礎(chǔ)上的，它在解決小樣本、非線性和高維模式識別中具有獨特的優(yōu)勢，還能夠有效的克服維數(shù)災(zāi)難、過學(xué)習(xí)等問題，并且能夠推廣應(yīng)用到函數(shù)擬合、實踐序列預(yù)測等其他機器學(xué)習(xí)問題中，比起神經(jīng)網(wǎng)絡(luò)具有更大的優(yōu)越性，如能夠取得全局最優(yōu)解，具有更好的泛化能力，結(jié)構(gòu)容易確定等等。[3][4]

2 模型建立

利用SVM建立的回歸模型對上證指數(shù)每日的開盤數(shù)進行回歸擬合。假設(shè)上證指數(shù)每日的開盤數(shù)與前一日對的開盤指數(shù)、指數(shù)最高值、指數(shù)最低值、收盤指數(shù)、交易量、交易額相關(guān)，即把前一日的開盤指數(shù)、指數(shù)最高值、指數(shù)最低值、收盤指數(shù)、交易量、交易額作為當(dāng)日開盤指數(shù)的自變量，當(dāng)日的開盤指數(shù)為因變量。

3 MATLAB實現(xiàn)

選取上證公司在1990-2009年間的交易數(shù)據(jù)，數(shù)據(jù)是一個4579*6的double型矩陣，記錄的是從1990年開始到2009年期間內(nèi)4579個交易日每日上證綜合指數(shù)的各種指標(biāo)，4579行表示每一天的上證指數(shù)的各種指標(biāo)，6列分別表示當(dāng)天上證指數(shù)的開盤數(shù)、指數(shù)最高值、指數(shù)最低值、收盤指數(shù)、當(dāng)日交易量、當(dāng)日交易額。

選取第1-4578個交易日內(nèi)每日的開盤指數(shù)、指數(shù)最高值、指數(shù)最低值，收盤指數(shù)，交易量、交易額作為自變量，選取第2-4579個交易日內(nèi)每日的開盤數(shù)作為因變量。Matlab 代碼如下：

5 仿真結(jié)果

圖中紅色的線為實際的輸出，綠色的預(yù)測的結(jié)果，經(jīng)過結(jié)果的分析預(yù)測成交額的預(yù)測率為95.7%，成交量的預(yù)測結(jié)果為99.9%，預(yù)測精度相當(dāng)?shù)母?，基于支持向量機的結(jié)果預(yù)測可以作為有效信息的參考，是可靠的。

6 結(jié)束語

股票指數(shù)走勢一直是人們關(guān)注的熱點。針對股票指數(shù)走勢的不易確定性，本文提出支持向量機的股票指數(shù)預(yù)測模型，并且以上證指數(shù)為例進行預(yù)測。預(yù)測結(jié)果表明支持向量機的預(yù)測精度相當(dāng)?shù)母摺?/p>

參考文獻

[1]胡杉杉，等.中國證券市場的可預(yù)測性研究[J].財經(jīng)科學(xué)，2001，3：35-39.

[2]周廣旭.一種新的時間序列分析算法及其在股票預(yù)測中的應(yīng)用[J].計算機，2005，25（9）：2179-2184.

[3]余敏，岑詠霆，王清科，王世明.上證指數(shù)、深圳指數(shù)預(yù)測的馬爾柯夫鏈預(yù)測模糊模型[J].數(shù)學(xué)的實踐與認(rèn)識，2003，33（9）：30-34.

[4]陳可，張琴舜，陳培培，蔡日基.BP神經(jīng)網(wǎng)絡(luò)在證券分析預(yù)測中應(yīng)用[J].計算機工程，2001，27（11）：95-97.

[5]全林，姜秀珍，趙俊和，汪東.基于SVM分類算法的選股研究[J].上海交通大學(xué)學(xué)報，2009，43（9）：1412-1416.

[6]段虎、沈菲，《證券市場的混沌研究及相空間預(yù)測》，《數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究》，2002，第7期，第111-114頁

[7] Ince H，Trafalis T. Short term forecasting with support vectormachines and application to stock price prediction[J]. Inter-national Journal of General Systems.2008；37（6）：677- 687

[8] Atsalakis G，Valavanis K. Surveying stock market forecast-ing techniques- Part II： Soft computing methods [J]. ExpertSystems with Application. 2009，36：5632- 5941

作者簡介

魯孝平（1991-），女，現(xiàn)就讀于安徽淮南市安徽理工大學(xué)山南校區(qū)電氣與信息工程學(xué)院。endprint