支持向量机与模糊逻辑在汇率预测及交易中的应用研究

"应用支持向量机、模糊逻辑进行汇率预测与交易 .pdf" 这篇论文深入探讨了如何利用支持向量机（SVM）和模糊逻辑推理系统（FIS）进行汇率预测，以及如何依据这些预测结果进行模拟交易，从而实现盈利。作者刘百胤和潘维民专注于机器学习领域，特别是支持向量机和模糊逻辑在金融工程中的应用。 支持向量机（SVM）是一种监督学习方法，常用于分类和回归任务。在汇率预测中，SVM通过构建一个超平面来分隔不同类别的数据，以此来预测未来的汇率变化趋势。文章提到，他们采用了不同类型的核函数，包括径向基函数（RBF）、线性函数、多项式函数和Sigmoid函数，来构建多元的支持向量机模型。 模糊逻辑推理系统（FIS）则利用模糊集理论来处理不确定性和不精确的信息。Mamdani模糊逻辑系统是其中一种常见的类型，它通过模糊规则将输入变量转换为输出变量。论文中提到了两种推理精度的Mamdani模糊系统，用于对比和优化预测性能。 为了提高预测准确性，研究人员采用了滑动窗口的策略进行阶段性的训练和测试。首先，他们使用遗传算法动态地选择分类特征，这是一种优化技术，可以找到最相关的特征组合。接着，他们训练和测试了包括六种模型在内的系统：RBF、线性、多项式和Sigmoid SVM，以及两种精度的Mamdani模糊逻辑系统。通过对比这些模型的性能，选取表现最佳的两个模型进行联合预测。 实验结果显示，联合预测模型的准确率较高，这意味着它们在预测汇率变化方面表现出色。进一步，基于这些预测，他们实施了模拟交易策略。在特定市场条件的测试期内，这种策略产生了显著的收益，这证明了该方法在实际交易中的潜在价值。 关键词涵盖了机器学习、支持向量机、模糊逻辑、汇率预测以及外汇交易，表明这篇论文的核心内容集中在这些领域。通过结合SVM和FIS的优势，论文提供了一种创新的预测和交易策略，对于理解和改进金融市场预测具有重要意义。中图分类号TP18115则将此研究定位在信息技术的范畴内，具体到计算逻辑学、数据库与数据挖掘技术等相关主题。