基于LSSVM的改进支持向量机在股市预测中的应用与优化

本文主要探讨了基于支持向量机的股指时间序列预测在金融领域的应用，特别是在处理小样本、复杂系统的挑战中。作者徐恺，硕士专业为管理科学与工程，通过西南交通大学的研究，将统计学习理论与混沌时间序列分析相结合，聚焦于标准支持向量机的改进形式——最小二乘法支持向量机（Least Squares Support Vector Machine, LSSVM）。 LSSVM在MATLAB环境中被选作工具，但由于其在实际预测中的问题，如预测结果不理想，文章着重于分析和改进这一工具。作者深入研究了LSSVM的数学模型，指出其在小样本数据处理中的潜在优势，同时也揭示了在实际应用中可能遇到的缺陷，即参数选择对预测效果的影响。 文章的核心内容包括对LSSVM基本框架和算法流程的剖析，以及对预测和拟合性能的测试。作者发现，参数优化是提升预测准确性的关键，因此提出了基于网格搜索和留一交叉验证的改进方法。这种方法首先通过细化搜索参数区域，然后进行优化选择，从而提高了LSSVM在预测上的精度。 通过改进的LSSVM工具，作者成功构建了时间序列预测模型，并将其应用于实际的金融数据，尤其是上证指数的预测中，取得了令人满意的效果。本文提供了一种结合统计学习理论、支持向量机和参数优化策略的有效时间序列分析方法，对于金融市场的预测具有一定的实用价值和理论贡献。 关键词：统计学习理论、支持向量机、时间序列、参数优化、最小二乘法支持向量机、混沌时间序列分析。