基于加权支持向量机的金融时间序列预测

金融时间序列数据的预测是商业领域的热点问题,对金融时间序列进行准确的预测,对金融投资决策与风险管理具有特别重要的意义。针对金融时间序列的特点,对传统支持向量机进行了改进,提出了基于加权支持向量机的金融时间序列预测方法。研究表明,与传统金融时间序列预测方法比较,基于加权支持向量机有效地提高了金融时间序列预测的精度。     

基于加权最小二乘支持向量机的金融时间序列预测

针对股票市场的高噪声,强非线性和不确定性等特点和以往传统的神经网络预测方法存在的不足,对标准最小二乘支持向量机方法优化,运用给各个样本的惩罚系数和误差要求赋予不同权重的加权最小二乘支持向量机方法结合滚动时间窗来学习建模。对上证地产业类指数的建模和预测表明,该算法具有良好的预测精度和抗燥性能,是对股市进行分析和预测的一种可行而有效的方法。     

金融时间序列数据预测方法探析

本文提出了一种改进的金融时间序列数据预测方法,该方法首先对采集到的数据进行预处理,然后利用决策树来对金融时间序列进行特征抽取,并建立基于支持向量机的时间序列预测模型,最后对时间序列数据进行预测并输出预测结果。仿真结果表明,本文提出的方法可以有效地降低预测模型复杂度,同时提高预测能力和泛化性能。     

关于粗糙模糊支持向量机的探索

基于粗糙集理论和模糊支持向量机思想,提出了一种新的支持向量机模型-粗糙模糊支持向量机(RFSVM).采用UCI机器学习数据库中的数据,对比实验,RFSVM比传统支持向量机(SVM)和模糊支持向量机(FSVM)都有明显高的测试精度.     

关于粗糙模糊支持向量机的探索

基于粗糙集理论和模糊支持向量机思想,提出了一种新的支持向量机模型--粗糙模糊支持向量机(RFSVM).采用UCI机器学习数据库中的数据,对比实验,RFSVM比传统支持向量机(SVM)和模糊支持向量机(FSVM)都有明显高的测试精度.     

遗传算法的支持向量机模型在房地产估价中的应用

利用遗传算法对传统的支持向量机进行改进,提出GA—SVM房地产估价模型,并运用到房地产估价的预测中,通过与支持向量机模型、BP神经网络模型和市场比较法的对比研究发现,该方法估价预测精度要明显高于BP神经网络模型和市场分析法,略高于支持向量机模型,所以GA-SVM房地产估价模型更具有推广性,更适合于有限样本的房地产价格估价。     

支持向量机在春运客流预测中的应用

由于春运客流预测是不确定的,非线性的动态开放性复杂系统,传统方法往往难以正确地描述这种复杂的非线性特征,因而无法正确进行客流预测。本文采用指数平滑的客流预测方法,提出了一种基于时间序列的支持向量机的历史客流预测方法,实验数据表明,预测结果是可信的。     

基于光滑支持向量机的经济预测模型

由于支持向量机方法具有推广能力强、拟合精度高、全局最优等特点,将支持向量机应用于对经济发展水平的预测中,建立基于支持向量机的经济预测模型,近年来受到了广泛的关注,并得以迅速发展.但在处理大数据时,求解支持向量机对应的二次规划问题是非常棘手的,如何有效求解支持向量机是一个不可回避的研究课题.光滑支持向量机是标准支持向量机的一种改进形式,其在经济走势预测中的应用已显示出了优越性.本文主要介绍了光滑技术在支持向量机中的应用及具体算法.     

基于支持向量机的义乌小商品价格指数预测分析

义乌指数作为全球小商品的＂道琼斯指数＂,全面反映了小商品市场的价格走势和景气动态。本文通过对历年义乌指数中的价格指数进行观察,将其与消费者价格指数（CPI）进行对比分析,并运用支持向量机对其进行回归预测研究。实证表明：支持向量机能够在较小误差范围内实现对义乌指数的有效预测。     

支持向量机在企业冰箱订单需求中的应用

为了提高企业冰箱订单预测精度,提出基于支持向量的订单需求预测模型,本文在对冰箱订单需求影响因素分析的基础上,选出对冰箱影响订单需求最为重要的五个因素,运用支持向量机(SVM)对冰箱订单需求进行训练、预测分析,得到支持向量机在冰箱订单需求预测中的准确率,通过与BP神经网络、时间序列模型(ARMA)对比证明该模型预测精度较高,是一种有效的方法,值得推广使用。     

基于GA-SVM的物流园区物流需求预测及分析

文章基于支持向量机模型对物流园区物流需求进行预测,相较于传统的网格式搜索对支持向量机参数寻优,使用遗传算法对支持向量机参数寻优,能在实数集内连续地寻找最优参数组合,构建出GA-SVM物流需求预测模型。并通过成都市实例验证了GA-SVM预测模型的有效性。     

一种基于SVM的垃圾邮件过滤方法

本文通过研究垃圾邮件的特征表示和过滤方法,设计了一种应用指纹特征向量表示方法和支持向量机（SVM）的最小序列最优化（SMO）方法的在线式邮件过滤器。在在线垃圾信息过滤上获得到了与传统方法相当的基础上,基于原始SMO算法提出了动态邮件样本工作集方法（DFSVM）对SMO的分类条件进行减弱,优化了在线过滤模式下的运算时间。     

一种基于支持向量机的期望亏空估计方法

风险管理是当今金融行业中最优先考虑的问题之一,而风险定量化研究又是风险管理的中心任务之一。量化金融时间序列风险相当于计量其期望亏空。不对称幂分布是一族较新的描述期望亏空的分布密度,具有较灵活的不对称的尾部衰减特性,非常适用于金融收益的建模。因此,提出了一种基于支持向量机的不对称幂分布的非参数估计方法,作为对传统估计方法的改进。从仿真结果看,这种估计方法能够很好地描述出不对称幂分布的分布特性。     

基于SVM的中小企业财务预警模型探讨

本文结合我国中小企业当前的实际情况，针对常用的财务危机预警模型的不足，为有效解决传统模型存在的小样本、高维数、非线性和局部极小点等问题，提出了利用SVM（支持向量机）的分类能力建立财务预警模型。最后利用上市公司的财务数据进行训练和评估，证明了基于支持向量机的财务预警模型在小样本情况下具有良好的非线性建模能力和泛化能力。     

基于粒子群支持向量机的标高金预测方法研究

在建筑工程投标报价过程中,标高金的准确预测直接影响投标方能否中标和盈利。利用支持向量机（SVM）在解决小样本数据、非线性问题上的优越性,提出基于SVM的预测方法,同时利用粒子群算法（PSO）对支持向量机的参数进行优化。实例分析表明,基于PSO—SVM的预测方法是有效和可行的。     

基于主成分的RBF核SVM在财务预测领域的应用

支持向量机(SVM)是实现结构风险最小化归纳原理的一种机器学习理论,在有限的学习模式下具有良好的泛化能力。为了评估支持向量机的预测性能,本文通过对684家企业进行财务分析,进而预测企业在未来两年是否会被ST。建立基于主成分的RBF(核函数)核SVM模型,将支持向量机与传统学习算法进行比较,结果表明支持向量机有效地提高了预测的精度,具有良好的泛化和预测能力。     

基于支持向量回归的股市波动性预测

详细介绍利用支持向量回归方法进行金融时间序列预测的建模原理。将其应用到深圳股票市场的数据,进行预测。最后运用6种误差统计量对预测结果与基于BP算法、基于ARCH（1,1）模型、基于GARCH（1,1）模型的4种预测结果进行比较,并得出结论：基于支持向量回归的预测方法最优。     

基于支持向量机在重工业经济领域预测研究

提出了一种基于支持向量机预测重工业经济月度同比增长率的方法。利用2002年以来,我国6年的重工业月度同比增长率数据,建立支持向量机预测模型,并对预测结果和实际值进行了比较分析,表明该方法用于经济预测和经济分析是有效的。     

基于支持向量机的上证指数预测研究

基于支持向量机的预测模型对上证指数进行预测,并将其预测结果与BP神经网络的预测结果进行对比,其结果表明,支持向量机的预测模型具有较高的拟合和预测精度并优于BP神经网络模型,且支持向量机预测方法计算速度快,准确率高,具有很好的推广应用价值。     

支持向量机在模式识别中的应用

针对传统神经网络存在网络结构难于确定、过学习以及局部极小等问题，研究了基于支持向量机（SVM）的模式识别问题。通过对棋盘这种典型非线性二值问题的分类研究，分析了支持向量机的分类与泛化能力。支持向量机在分类和泛化能力方面远远优于传统神经网络。最后将支持向量机用于对两类飞机目标的分类识别，通过多组蒙特卡罗试验，获得了较好的识别结果。支持向量机在目标识别中有巨大潜力和广阔前景。