头脑风暴算法优化在股市预测中的应用研究

"这篇论文主要探讨了头脑风暴优化算法在股票市场预测中的应用，特别是结合支持向量机(Support Vector Machine, SVM)进行数据分析。研究生沈林在导师王建州教授的指导下，针对数学领域的概率论与数理统计以及数据挖掘与人工智能方向进行了研究。论文以201X年X月到201X年X月的沪深300指数和深证综合指数数据为基础，选取了6个关键指标（开盘价、收盘价、最高价、最低价、成交量、成交金额和涨跌幅）来构建SVM模型。" 头脑风暴优化算法(Brain Storm Optimization Algorithm, BSO)是一种新颖的全局优化方法，灵感来源于人类集体创新思维的过程，它通过模拟头脑风暴会议中的各种行为，如自由发散思维、集中思维、评价和选择等步骤，来寻找复杂问题的最优解。在本论文中，BSO被用来优化支持向量机的参数，以提高股票市场的预测精度。 支持向量机是一种监督学习模型，尤其擅长处理非线性问题。标准SVM在许多领域都有广泛应用，但在股票市场预测中，由于市场的复杂性和动态性，单纯的标准SVM可能不足以捕捉所有影响因素。因此，研究者通常会寻求改进的SVM模型，以增强其适应性和预测性能。 论文中，作者利用BSO对SVM的参数进行优化，包括核函数类型、核参数、惩罚系数等，以适应股票市场的特性。通过对沪深300指数和深证综合指数的历史数据进行训练和测试，评估优化后的SVM模型在预测股票市场指数方面的表现。通过对比分析，可以得出BSO优化的SVM是否优于未经优化的模型，以及优化程度如何。 此外，论文还探讨了股票市场的非线性动态特性，以及选取的不同经济指标对市场走势的影响。这些指标的选择是基于对股票市场运行规律的理解，它们能够反映出市场的活跃度和投资者情绪。 这篇硕士论文为金融领域的预测分析提供了一个新的视角，通过结合头脑风暴优化算法和支持向量机，旨在提升股票市场的预测准确性和效率，为投资者决策提供更科学的依据。同时，这也展示了在复杂问题求解中，融合不同算法的优势可以带来更好的优化效果。