基于SVM的股票指数预测

随着中国经济的飞速发展，越来越多的人加入到股市这个大家庭中来。由于股票市场具有高噪声、不确定等特性，使得股票的价格预测极为困难。而较为准确的预测股票价格，有利于人们的投资。本文选用文章引用: 邹存利, 张蕾, 王玥, 丛琳. 基于SVM 的股票指数预测[J]. 计算机科学与应用, 2018, 8(4): 421-428.

股票市场瞬息万变，风险很高，而对股票指数的预测可以为我们从整体上把握股市的变动提供有效的信息。沪深300 指数是沪深证交所联合发布，以流动性和规模作为两大选样的根本标准，是一个能反映A 股市场价格整体走势的指标。所以对于沪深指数的预测具有十分重要的意义。基于支持向量机的优良性能，考虑将其应用于股市指数的预测[5]。

支持向量机于1995 年由Cortes 和Vapnik 等人正式发表， 由于其在文本分类任务中显示出卓越性能， 很快成为机器学习的主流技术，并直接掀起了“统计学习”在2000 年前后的高潮。Vapnik 等人从六、七十年代开始致力于此方面研究，直到九十年代才使抽象的理论转化为通用的学习算法，其中核技巧才真正成为机器学习的通用基本技术。

支持向量机是建立在统计学习VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳途径，以期获得最好的推广能力的新型神经网络。随着ε不敏感损失函数的引入， 支持向量机从原来只处理分类问题逐步扩展到也能胜任回归[6] [7]。

尤为值得一提的是通过构造核函数能在无需知道映射具体形式的情况下将非线性问题映射到高维线性空间，并对支持向量机的预测性能起到决定性作用[8] [9]。

本文希望根据金融时间序列的有关特性， 结合支持向量机引入核函数来提高支持向量机算法性能，增强统计学习方法在金融时间序列预测和特征数据分类中的分析能力[10]。

设选定的训练样本表示为：()(){}11, , , , nnnx yxyRR∈×，在SVR 中，通过线性回归来找到函数:nfRR→： ( ), , , nf xw xb wR bR=+∈∈.

并满足如下的优化问题： 2, 1min 2w bw s.t.

, , 1,2, , iiiiyxbxbyilωεωε−−≤+−≤=