亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于粒子群最小二乘支持向量機(jī)的股指波動(dòng)率預(yù)測(cè)

        2019-06-27 00:20:29耿立艷祁召華于建立
        新財(cái)經(jīng) 2019年7期
        關(guān)鍵詞:最小二乘支持向量機(jī)粒子群優(yōu)化算法

        耿立艷 祁召華 于建立

        [摘 要]為了提高金融波動(dòng)率的預(yù)測(cè)精度及建模速度,文章提出一種基于粒子群算法優(yōu)化最小二乘支持向量機(jī)(LSSVM-PSO)的波動(dòng)率預(yù)測(cè)方法,利用LSSVM優(yōu)良的非線性逼近能力預(yù)測(cè)波動(dòng)率,通過(guò)PSO算法的全局快速優(yōu)化特點(diǎn)選擇LSSVM最優(yōu)參數(shù)。以中國(guó)股市實(shí)際交易數(shù)據(jù)為樣本,通過(guò)樣本內(nèi)預(yù)測(cè)和樣本外預(yù)測(cè)驗(yàn)證了該方法的有效性。結(jié)果表明,LSSVM-PSO模型具有較高的預(yù)測(cè)精度和計(jì)算效率,是一種有效的股指波動(dòng)率預(yù)測(cè)方法。

        [關(guān)鍵詞]波動(dòng)率預(yù)測(cè);最小二乘支持向量機(jī);粒子群優(yōu)化算法

        [中圖分類號(hào)]F830;TP183

        1 引 言

        股指波動(dòng)率是衡量金融資產(chǎn)風(fēng)險(xiǎn)的重要指標(biāo)之一。金融資產(chǎn)的投資組合、測(cè)度與管理均依賴于股指波動(dòng)率的準(zhǔn)確估計(jì)和預(yù)測(cè)。多年來(lái),國(guó)內(nèi)外研究者不斷提出各種模型與方法預(yù)測(cè)股指波動(dòng)率,以GARCH模型[1]為代表的計(jì)量經(jīng)濟(jì)學(xué)模型在波動(dòng)率預(yù)測(cè)方面獲得了廣泛的應(yīng)用和認(rèn)可。

        為進(jìn)一步提高股指波動(dòng)率的預(yù)測(cè)精度,近些年來(lái),以神經(jīng)網(wǎng)絡(luò)為代表的智能預(yù)測(cè)方法被大量應(yīng)用于股指波動(dòng)率的預(yù)測(cè)研究。作為一種非參數(shù)的數(shù)據(jù)驅(qū)動(dòng)方法,神經(jīng)網(wǎng)絡(luò)在未知數(shù)據(jù)先驗(yàn)信息的情況下,通過(guò)良好的非線性映射能力,即可描述波動(dòng)率的非線性特征,從而在一定程度上改善了波動(dòng)率預(yù)測(cè)效果[2-3]。但神經(jīng)網(wǎng)絡(luò)以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化為計(jì)算標(biāo)準(zhǔn),在應(yīng)用中難以確定隱含層節(jié)點(diǎn)數(shù),容易陷入局部最優(yōu)解、泛化能力也受到限制。支持向量機(jī)(SVM)[4]以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ),很好地避免了神經(jīng)網(wǎng)絡(luò)的缺陷在股指波動(dòng)率預(yù)測(cè)方面的性能優(yōu)于神經(jīng)網(wǎng)絡(luò)[5-6]。以SVM為基礎(chǔ)發(fā)展起來(lái)的最小二乘支持向量機(jī)[7](LSSVM)將SVM中求解二次規(guī)劃問題轉(zhuǎn)化為求解線性方程組,提高了相應(yīng)算法的收斂速度,因而更適應(yīng)于波動(dòng)率的預(yù)測(cè)研究。文獻(xiàn)[8]、[9]將LSSVM應(yīng)用于股指波動(dòng)率預(yù)測(cè)中,并證實(shí)了LSSVM的有效性。

        在核函數(shù)確定的情況下,如何準(zhǔn)確選取參數(shù)是提高LSSVM預(yù)測(cè)精度的關(guān)鍵,目前對(duì)LSSVM參數(shù)選取尚無(wú)統(tǒng)一的方法,主要通過(guò)反復(fù)試算來(lái)獲得。粒子群優(yōu)化(PSO)算法是一種群集智能優(yōu)化算法,良好的魯棒性和簡(jiǎn)易的計(jì)算可快速解決多目標(biāo)約束優(yōu)化問題。為實(shí)現(xiàn)LSSVM參數(shù)的自動(dòng)選取及預(yù)測(cè)精度的提高,文章利用PSO算法優(yōu)化選擇LSSVM參數(shù),建立基于PSO算法的LSSVM波動(dòng)率預(yù)測(cè)模型。以中國(guó)股市的實(shí)際數(shù)據(jù)為例,分別對(duì)數(shù)據(jù)樣本的訓(xùn)練集和測(cè)試集進(jìn)行預(yù)測(cè),并將預(yù)測(cè)結(jié)果與基于交叉驗(yàn)證法的LSSVM的預(yù)測(cè)結(jié)果進(jìn)行比較。

        3 實(shí)證研究

        3.1 數(shù)據(jù)的選取

        以上證綜指(SHCI)、深證成指(SZCI)和滬深300指數(shù)(HS300)的每日收盤價(jià)數(shù)據(jù)作為樣本選取對(duì)象,時(shí)間跨度從2011年1月4日到2013年3月15日,剔除非交易日,共有533個(gè)數(shù)據(jù)。按下式計(jì)算連續(xù)復(fù)合對(duì)數(shù)收益yt:

        3.2 網(wǎng)絡(luò)學(xué)習(xí)與預(yù)測(cè)

        為加快模型收斂速度,先將數(shù)據(jù)樣本歸一化到[0,1] 區(qū)間,然后將整個(gè)數(shù)據(jù)樣本分為兩組,前331個(gè)數(shù)據(jù)作為訓(xùn)練樣本,其后200個(gè)數(shù)據(jù)作為測(cè)試樣本。LSSVM-PSO模型中,PSO算法的自身參數(shù)設(shè)置如下:粒子群的群體規(guī)模m取作10,學(xué)習(xí)因子c1和c2都取作2,最大、最小慣性權(quán)重分別取作0.9和0.4,最大迭代次數(shù)取作20。為減少隨機(jī)性的影響,利用PSO算法對(duì)LSSVM連續(xù)優(yōu)化10次,選擇其中的最優(yōu)參數(shù)γ*和σ*建立LSSVM模型,進(jìn)行向前一步波動(dòng)率預(yù)測(cè),最后再反歸一化得到原始波動(dòng)率預(yù)測(cè)值。

        為方便比較PSO算法優(yōu)化選擇LSSVM參數(shù)的有效性,同時(shí)利用10折交叉驗(yàn)證法選擇LSSVM參數(shù)γ*和σ*,記為L(zhǎng)SSVM-CV模型,并向前一步預(yù)測(cè)波動(dòng)率。

        3.3 預(yù)測(cè)性能評(píng)價(jià)指標(biāo)

        采用以下指標(biāo)評(píng)價(jià)模型的預(yù)測(cè)性能:對(duì)數(shù)誤差統(tǒng)計(jì)量(LL)、線性-指數(shù)損失函數(shù)(LINEX)、正則均方誤差(NMSE)、正則均值絕對(duì)誤差(NMAE)和搜索最優(yōu)參數(shù)花費(fèi)的時(shí)間(TIME),各指標(biāo)定義如下:

        3.4 結(jié)果分析與比較

        表1給出了LSSVM-PSO和LSSVM-CV兩模型基于訓(xùn)練樣本的樣本內(nèi)預(yù)測(cè)結(jié)果。在三種股指中,LSSVM-PSO模型的LL、LINEX、NMSE和NMAE均小于LSSVM-CV模型的對(duì)應(yīng)值,即LSSVM-PSO模型對(duì)訓(xùn)練樣本的預(yù)測(cè)精度優(yōu)于LSSVM-CV模型。此外,從TIME可看出,LSSVM-PSO模型在三種股指中的收斂速度遠(yuǎn)遠(yuǎn)快于LSSVM-CV模型。這主要是由于PSO算法通過(guò)出色的全局快速優(yōu)化性能提高了LSSVM最優(yōu)參數(shù)的搜尋速度,而交叉驗(yàn)證法因存在大量的重復(fù)計(jì)算,降低了最優(yōu)參數(shù)的搜尋速度。

        表2給出了LSSVM-PSO和LSSVM-CV兩模型基于測(cè)試樣本的預(yù)測(cè)結(jié)果。從表2可以看出,在SZCI和HS300中,LSSVM-PSO模型的LL、LINEX、NMSE、NMAE均小于LSSVM-CV模型的對(duì)應(yīng)值;對(duì)SHCI,除了LSSVM-PSO模型的LL大于LSSVM-CV模型外,LINEX、NMSE和NMAE均小于LSSVM-CV模型。從整體上看,LSSVM-PSO模型對(duì)測(cè)試樣本的預(yù)測(cè)精度優(yōu)于LSSVM-CV模型。由此,從預(yù)測(cè)性能和建模速度來(lái)看,LSSVM-PSO是一種有效的波動(dòng)率預(yù)測(cè)模型。

        4 結(jié) 論

        將PSO算法和LSSVM模型相融合預(yù)測(cè)股指波動(dòng)率,PSO算法用于選擇LSSVM的最優(yōu)參數(shù),通過(guò)對(duì)中國(guó)股市的實(shí)證分析驗(yàn)證了該方法的有效性。結(jié)果表明,基于PSO算法的LSSVM模型樣本內(nèi)預(yù)測(cè)和樣本外預(yù)測(cè)性能均優(yōu)于基于交叉驗(yàn)證法的LSSVM,而且PSO算法明顯提高了LSSVM的建模速度。

        參考文獻(xiàn):

        [1]BOLLERSLEV TIM. Generalized autoregressive conditional heteroscedasticity[J].Journal of Econometrics, 1986,31(3):307-327.

        [2]DONALDSON R G, KAMSTRA M. An artificial neural network-GARCH model for international stock return volatility[J]. Journal of Empirical Finance, 1997(4): 17-46.

        [3]TAYLOR J W. A quantile regression neural network approach to estimating the conditional density of multiperiod returns[J]. Journal of Forecasting, 2000(19): 299-311.

        [4]VAPNIK V. N. An overview of statistical learning theory[J]. IEEE Transactions on Neural Networks, 1999,10(5): 988-999.

        [5]CHEN S Y, HARDLE W K, JEONG K. Forecasting volatility with support vector machine-based GARCH model[J]. Journal of Forecasting, 2010, 29(4):406-433.

        [6]WANG B H, HUANG H J, WANG X L. A support vector machine based MSM model for financial short-term volatility forecasting[J]. Neural Computing & Applications, 2013(22): 21-28.

        [7]SUYKENS J A K, VANDEVALLE J. Least squares support vector machine classifiers[J]. Neural Processing Letters, 1999, 9(3): 293-300.

        [8]LIYAN GENG, ZHAN FU ZHANG. CARRX model based on LSSVR optimized by adaptive PSO[C].Guilin:Proceedings of 2th International Conference on Computer and Management, 2012:268-271.

        [9]LIYAN GENG, YIGANG LIANG. Prediction on Fund Volatility based on SVRGM-GARCH model[J]. Advanced Material Research, 2012: 3763-3768.

        [10]KENNEDY J, EBERHART R.C. Particle Swarm Optimization[C].Perth :Proceedings of IEEE International Conference on Neutral Networks, 1995: 1942-1948.

        [作者簡(jiǎn)介]通訊作者:耿立艷(1979—),女,天津?qū)氎嫒耍┦亢?,教授,碩士生導(dǎo)師,研究方向:金融工程。

        猜你喜歡
        最小二乘支持向量機(jī)粒子群優(yōu)化算法
        基于滾動(dòng)時(shí)間窗的PSO—LSSVM的通信基站能耗建模
        基于最小二乘支持向量機(jī)的VaR計(jì)算方法研究
        電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估模型仿真分析
        基于改進(jìn)SVM的通信干擾識(shí)別
        基于自適應(yīng)線程束的GPU并行粒子群優(yōu)化算法
        基于混合粒子群算法的供熱管網(wǎng)優(yōu)化設(shè)計(jì)
        基于改進(jìn)支持向量機(jī)的船舶縱搖預(yù)報(bào)模型
        基于聯(lián)合互信息的動(dòng)液面預(yù)測(cè)模型
        基于混合核函數(shù)的LSSVM網(wǎng)絡(luò)入侵檢測(cè)方法
        關(guān)于遺傳算法優(yōu)化的最小二乘支持向量機(jī)在MBR仿真預(yù)測(cè)中的研究
        軟件(2015年5期)2015-08-22 08:20:56
        国内精品视频在线播放不卡| 精品免费福利视频| 亚洲欧洲综合有码无码| 亚洲一区二区三区免费av在线| 久久夜色精品国产三级| 亚洲精品中文字幕免费专区| 国产女主播精品大秀系列| 欧美激情五月| 偷柏自拍亚洲综合在线| 亚洲人成精品久久熟女| 日本女优在线一区二区三区| 男女后进式猛烈xx00动态图片| 欧美老熟妇又粗又大| 久久精品网站免费观看| 在线视频国产91自拍| 欧美成妇人吹潮在线播放| 久无码久无码av无码| 北岛玲日韩精品一区二区三区 | 4444亚洲人成无码网在线观看 | 国产午夜av一区二区三区| 久久亚洲中文字幕乱码| 亚洲人成色7777在线观看不卡| 久久99精品国产99久久6男男| 久久老子午夜精品无码| 成人男性视频在线观看| 五月色丁香婷婷网蜜臀av | 国产午夜精品av一区二区麻豆| 国内精品久久久久影院一蜜桃| 91手机视频在线| 日本精品一区二区三区在线播放| 亚洲av综合av一区| 人妻少妇精品无码专区二区 | 日韩免费小视频| 国产一区二区三区杨幂| 在线视频色系中文字幕| 国产探花在线精品一区二区| 亚洲两性视频一三区| 亚洲熟女av超清一区二区三区| 亚洲熟女av超清一区二区三区| 亚洲av专区一区二区| aⅴ精品无码无卡在线观看|