SVM与ARIMA融合：金融时间序列分析的创新策略

本篇论文主要探讨了"基于SVM的金融时间序列分析的研究"，由作者刘迪撰写，发表于河海大学计算机科学与技术系。文章旨在通过对比支持向量机(SVM)和自回归移动平均模型(ARIMA)在金融时间序列回归分析中的表现，提出一种创新的SVM和ARIMA的组合模型。SVM以其优秀的泛化能力和高拟合精度被提及，而ARIMA则擅长捕捉历史数据和未来数据的相关性，适用于处理金融时间序列中的噪声、不稳定性以及复杂相关性问题。 金融时间序列分析在实际应用中面临着特殊挑战，如数据的噪声性、动态变化的分布以及时间点间高度相关的特性。ARIMA模型作为线性方法的代表，虽具有较强解释性，能考虑不同距离点的关系，但在预测性能上有所欠缺。相比之下，SVM以其非线性优势，能够更好地处理这些问题，但由于其自身对金融时间序列特性考虑不足，论文作者决定通过实验对比，找出两者的结合点。 作者首先介绍了SVM的基本回归原理，强调了在实际金融序列分析中，对数据预处理的重要性。接着，论文着重介绍了如何将SVM应用于金融时间序列回归，特别是针对上海证券综合指数的数据，进行了详细的实验设计。实验结果显示，SVM和ARIMA的组合模型在金融时间序列分析领域具有更高的适应性和有效性，能够有效处理上述难点，并且在回归分析中表现出优于单一模型的优点。 这篇论文的核心贡献在于提出了一种融合SVM和ARIMA优点的金融时间序列分析模型，不仅保留了SVM的泛化能力和高精度，还兼顾了ARIMA的历史关联性处理能力，从而提高了金融时间序列预测的准确性。通过实证分析，证明了这种新型模型在实际金融数据分析中的实用价值。