基于智能支持向量机回归模型的金融数据预测

针对金融数据的非线性、时变性、随机性、模糊性、不确定性等特点，提出一种崭新的智能支持向量回归模型，并且运用一种新型的遗传算法优选模型参数。实验结果表明，所提出的智能支持向量回归模型预测金融数据比BP神经网络模型预测精度高、速度快。

金融数据由于受政策、技术等多种因素的影响，普遍具有非线性、时变性、随机性、模糊性、不确定性等特性。在计算经济学基础上建立的大部分金融线性模型，虽然能够比较直观地解决问题，但是在解决实际问题时也会有很大的不足。其根本原因在于金融数据具有非线性特征，运用线性模型来预测肯定会有较大的误差。所以，人们正在努力寻求高精度的预测工具进行金融数据建模[1] [2] [3]。

为了更加精确地进行金融数据预测， 本文提出一种崭新的智能支持向量回归模型进行金融数据预测。

支持向量机于1995 年由Vapnik 等人正式提出，已经成功地应用到回归等问题。然而，到目前为止，支持向量回归模型仍然没有好的参数优选方法[4]。本文运用一种新型遗传算法[5]来进行支持向量回归模型的参数优选。该新型遗传算法可以解决一般的遗传算法所带来的早熟问题和进化缓慢问题，具有较强的搜索能力， 能够寻找全局最优解。

因此， 本文运用新型遗传算法对支持向量回归模型进行最优参数设置， 从而得到一种崭新的智能支持向量回归模型。最后，将所建立的智能支持向量回归模型应用于金融数据预测，通过与BP 神经网络模型比较，得到本文所提出的模型预测精度比较高，是进行金融数据预测的一种有效方法。

2. 支持向量回归模型 假设数据集(){}, , 1,2, , iiSx yin==， ix 是输入向量， iy 是一个实数观测值，n 是数据的总数。支持向量回归函数的一般形式为 ( )( )g xwxbφ=+ (1) 式中( )xφ是一个高维的特征函数，b 是常数。

为求解w 和b，引入正松弛变量*, iiξ ξ ，可以得到如下规划问题[4]: ()( )( )( )2*11**1min2s.t.

, 0niiiiiiiiiwCywxbwxbyξξφεξφεξ ξ=++−−≤++−≤+≥∑ (2) 运用拉格郎日乘数法可以得到二次规划(2)的对偶规划为： ()()()()()( )()()*****11111, 2nnnniiiiiiiiijjijiiiiWyxxα αααεααααααφφ=====−−+−−−⋅∑∑∑∑ (3) 使得()*10niiiαα=−=∑和[]*, 0, iiCα α ∈； 进而可以得到决策函数： ( )() ( )( )*1niiiig xxxbααφφ==−⋅+∑ (4) 通过引进核函数，方程(4)可以写成如下形式