統(tǒng)計(jì)學(xué)習(xí)方法在金融數(shù)據(jù)分析中的應(yīng)用
發(fā)布時(shí)間:2024-07-09 04:11
由于金融計(jì)量學(xué)和金融統(tǒng)計(jì)變得越來越重要,隨著全球計(jì)算機(jī)互聯(lián)網(wǎng)以及大數(shù)據(jù)處理技術(shù)快速更新,金融方面的數(shù)據(jù)處理方法由傳統(tǒng)統(tǒng)計(jì)理論漸漸轉(zhuǎn)為人工智能領(lǐng)域的研究。大量的金融信息處理也帶來了技術(shù)變革的源動(dòng)力,加速了理論和應(yīng)用兩個(gè)層面的深入研究。因此導(dǎo)致該行業(yè)各個(gè)方面的統(tǒng)計(jì)學(xué)習(xí)方法研究科研成果越來越豐碩,特別是SVM等理論的廣泛應(yīng)用,為金融方面的數(shù)據(jù)發(fā)掘及經(jīng)濟(jì)學(xué)中所面臨的復(fù)雜問題提供了一種全新的解決辦法。1.利用網(wǎng)格搜索法優(yōu)化構(gòu)建支持向量機(jī)股價(jià)回歸預(yù)測模型,該模型主要通過對(duì)2007年1月4日至2017年12月29日滬深300中的2676個(gè)數(shù)據(jù)進(jìn)行處理研究及分析預(yù)測?紤]到SVM的核函數(shù)對(duì)模型預(yù)測結(jié)果的準(zhǔn)確性有很大影響,故本研究重點(diǎn)采用網(wǎng)格搜索法優(yōu)化算法對(duì)支持向量機(jī)核函數(shù)的參數(shù)選擇進(jìn)行了優(yōu)化,通過比較分析,最終得到了優(yōu)化后的滬深指數(shù)回歸預(yù)測模型。由實(shí)驗(yàn)結(jié)果證實(shí):利用支持向量回歸機(jī)對(duì)指數(shù)進(jìn)行預(yù)測,取得了良好的效果。2.根據(jù)A股非金融類上市公司的因素分類情況,且優(yōu)化這類公司的分類和效益水平評(píng)價(jià)更加趨向合理和準(zhǔn)確,本部分內(nèi)容主要基于核主成分和稀疏最小二乘SVM建立一個(gè)分類模型。由于最小二乘SVM在實(shí)際應(yīng)用方...
【文章頁數(shù)】:49 頁
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景與意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 金融時(shí)間序列數(shù)據(jù)模型
1.2.2 支持向量機(jī)
1.3 本研究主要內(nèi)容和研究方法
1.3.1 研究內(nèi)容
1.3.2 主要研究方法
2 統(tǒng)計(jì)學(xué)習(xí)與支持向量機(jī)理論
2.1 統(tǒng)計(jì)學(xué)習(xí)理論
2.2 支持向量機(jī)理論
2.2.1 支持向量機(jī)基本原理
2.2.2 線性可分SVM
2.2.3 近似線性可分SVM
2.2.4 非線性可分SVM
2.2.5 基于時(shí)間序列支持向量機(jī)預(yù)測模型
2.3 PCA及KPCA原理
2.3.1 主成分分析
2.3.2 KPCA分析
3 基于SVM的股票指數(shù)預(yù)測
3.1 數(shù)據(jù)來源和指標(biāo)選取
3.2 模型建立
3.3 模型實(shí)現(xiàn)
3.3.1 數(shù)據(jù)選取
3.3.2 數(shù)據(jù)預(yù)處理
3.3.3 參數(shù)選擇
3.3.4 利用最佳參數(shù)訓(xùn)練SVM模型做擬合預(yù)測
3.4 研究結(jié)果及對(duì)比分析
4 基于SVM的上市公司多分類與績效分析
4.1 研究現(xiàn)狀
4.2 最小二乘SVM與稀疏最小二乘SVM
4.2.1 最小二乘SVM
4.2.2 稀疏的最小二乘支持向量機(jī)
4.3 數(shù)據(jù)與特征指標(biāo)的選取
4.4 數(shù)據(jù)預(yù)處理
4.4.1 分類標(biāo)準(zhǔn)的確定
4.4.2 KPCA特征提取
4.5 研究結(jié)果分析
4.5.1 實(shí)驗(yàn)結(jié)果分析
4.5.2 對(duì)比研究結(jié)果及分析
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝
本文編號(hào):4004373
【文章頁數(shù)】:49 頁
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景與意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 金融時(shí)間序列數(shù)據(jù)模型
1.2.2 支持向量機(jī)
1.3 本研究主要內(nèi)容和研究方法
1.3.1 研究內(nèi)容
1.3.2 主要研究方法
2 統(tǒng)計(jì)學(xué)習(xí)與支持向量機(jī)理論
2.1 統(tǒng)計(jì)學(xué)習(xí)理論
2.2 支持向量機(jī)理論
2.2.1 支持向量機(jī)基本原理
2.2.2 線性可分SVM
2.2.3 近似線性可分SVM
2.2.4 非線性可分SVM
2.2.5 基于時(shí)間序列支持向量機(jī)預(yù)測模型
2.3 PCA及KPCA原理
2.3.1 主成分分析
2.3.2 KPCA分析
3 基于SVM的股票指數(shù)預(yù)測
3.1 數(shù)據(jù)來源和指標(biāo)選取
3.2 模型建立
3.3 模型實(shí)現(xiàn)
3.3.1 數(shù)據(jù)選取
3.3.2 數(shù)據(jù)預(yù)處理
3.3.3 參數(shù)選擇
3.3.4 利用最佳參數(shù)訓(xùn)練SVM模型做擬合預(yù)測
3.4 研究結(jié)果及對(duì)比分析
4 基于SVM的上市公司多分類與績效分析
4.1 研究現(xiàn)狀
4.2 最小二乘SVM與稀疏最小二乘SVM
4.2.1 最小二乘SVM
4.2.2 稀疏的最小二乘支持向量機(jī)
4.3 數(shù)據(jù)與特征指標(biāo)的選取
4.4 數(shù)據(jù)預(yù)處理
4.4.1 分類標(biāo)準(zhǔn)的確定
4.4.2 KPCA特征提取
4.5 研究結(jié)果分析
4.5.1 實(shí)驗(yàn)結(jié)果分析
4.5.2 對(duì)比研究結(jié)果及分析
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝
本文編號(hào):4004373
本文鏈接:http://www.wukwdryxk.cn/jingjilunwen/jingjiguanlilunwen/4004373.html
最近更新
教材專著