文档介绍：:1001—3679(2012)02—0230—06金融时间序列预测中的GA—SVR方法焦帅,颜七笙(东华理工大学数学与信息科学学院,江西抚州344000)摘要:针对支持向量机方法在金融时间序列预测的过程中,模型参数选取不当的导致预测精度较低等问题,利用遗传算法优化选取支持向量机模型参数,建立了一种基于遗传算法优化支持向量机参数的金融时间序列预测模型。并将该方法应用于我国上证指数时间序列预测中。实验结果表明基于遗传算法优化的支持向量机方法能较好的反映金融时间序列预测规律,并且提高了模型预测精度。关键词:上证指数;支持向量机;遗传算法;参数优化中图分类号:TP183文献标识码:ATheApplicationofGA-SVRMethodinFinancialTimeSeriesPredictionJIA0Shuai,YANQi—sheng(SchoolofMathematicsandInformationalScience,EastChinaInstituteofTechnology,JiangxiFuzhou344000PRC)Abstract:uracyandotherissueswithselectedmodelimproperparam—,icAlgo—~tockin—dextimeseriesprediction,andexperimentalresultsshowthatthemethodcouldbetterreflectthefi—nancialtimese~espredictionrule,:Shangzhengstockindex,Supportvectormachine,icalgorithm,Parametersoptimi—zation1概述对金融市场进行有效的预测和分析,是人们长期追求的目标。针对金融时间序列的具有较强的含噪声、非线性等特点,金融时间序列预测技术有很多,包括统计回归、时间序列等。文献[1]采用自回归条件异方差(ARCH)来预测金融时间序列,但是实际应用的金融时间序列大多都是非线性且有复杂噪声数据,因此这一模型存在较多的不适应性。文献[2]采用神经网络对复杂金融时间序列的预测,由于神经网络受到网络结构复杂性和节点数难以确定等影响,有时会出现过学****或泛化能力较低等现象,进而影响预测精度和收敛速度。在1995年,Vapnik提出了一种基于统计学****理论的机器学****方法一支持向量机(SVM,SupportVectorMachines)。支持向量机是建立在VC维理论的基础上,采用了基于结构风险最小化准则,并具有完备的统计学****理论基础和出色的学****性能,克服了过学****以及维数灾难等问题,已成为机器学****界的研究新热点,并在很多领域都得到了成功的应用,如时间序列预测、人脸识别、收稿日期:2012—03—14;修订日期:2012—04—13作者简介:焦帅(1986一),男,辽