基于支持向量机的金融时间序列研究

金融市场是国家经济运行的核心,金融时间序列是经济与金融领域中最重要的数据类型,对这类数据进行分析、预测和控制是整个经济和金融活动的重要工作。金融时间序列由于它的非线性和小样本特征,成为现代时间序列研究中最具有挑战的课题。 统计学习理论(Statistical Learning Theory,SLT)是针对小样本情况下的机器学习理论,其核心思想是通过控制学习机器的复杂度实现对学习机器推广能力的控制。在这一理论中发展起来的支持向量机(Support Vector Machine,SVM)是一种新的通用学习方法,它较以往方法表现出一些理论和实践上的优势,已经在模式识别、回归估计、时间序列预测等多方面得到成功应用。支持向量回归(Support Vector Regression,SVR)是支持向量机用于解决回归问题时的推广形式。 决策树由于算法简单和分类精度高,成为一种广泛应用的归纳推理方法,它能完成复杂性降维和自动特征抽取。论文中,我们建立了一个基于金融时间序列决策树特征抽取的SVR回归模型。实验表明基于决策树和支持向量机的整合方法可以有效地提高性能。 SVM通过核函数对特征空间的映射函数实现非线性情况下的推广。选择或者构造与特定问题相适合的核函数是提高SVR性能的一种重要途径。在Mercer核函数构造理论的指导下,本文构造了基于多项式核和高斯径向基(Gaussian Radial Basis Funciton,RBF)核的新的混合核支持向量机模型。在金融时间序列预测中,结果表明基于混合核的支持向量机比单个核的支持向量机具有更好的性能。