×

基于流形小波支持向量机的股票收益预测。 (英语) Zbl 1217.91214号

摘要:提出了一种可容许流形小波核,用于构造用于股票收益预测的流形小波支持向量机(MWSVM)。将流形理论与支持向量机(SVM)中的小波技术相结合,得到流形小波核。由于流形小波函数可以产生描述不同位置和不同时间粒度的股票时间序列的特征,因此MWSVM可以近似任意非线性函数并准确预测股票收益。通过对真实股票数据的实验,验证了MWSVM在股票收益预测中的适用性和有效性。

MSC公司:

91克70 统计方法;风险措施
68T05型 人工智能中的学习和自适应系统
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Yaser S A M,Atiya A F.财务预测导论[J]。应用情报,1996,6:205-213·Zbl 05475457号 ·doi:10.1007/BF00126626
[2] 曹磊,戴凤.基于支持向量机的财务预测[J]。神经计算与应用,2001,10(2):184-192·Zbl 1002.68689号 ·doi:10.1007/s005210170010
[3] Muller K R,Smola A,Ratsch G,等.基于支持向量机的时间序列预测[C]//人工神经网络国际会议论文集。洛桑:施普林格出版社,1997:999-1004。
[4] Smola A J,Scholkopf B.支持向量回归教程[J]。统计与计算,2004,14(3):199-222·doi:10.1023/B:STCO.0000035301.49549.88
[5] Vapnik V N.统计学习理论的本质[M]。纽约:施普林格出版社,2000年·Zbl 0934.62009号
[6] Scholkopf B,Burges C J C,Smola A J,等。核方法的进展:支持向量学习[M]。伦敦:麻省理工学院出版社,1999年。
[7] Daubechies I.小波变换、时频定位和信号分析[J]。信息理论,IEEE汇刊,1990,36(5):961–1005·Zbl 0738.94004号 ·doi:10.1109/18.57199
[8] Daubechies I.小波十讲[M]。费城:SIAM,1992年·Zbl 0776.42018号
[9] Mallat S G.多分辨率信号分解理论:小波表示[J]。模式分析和机器智能,IEEE汇刊,1989,11(7):674-693·兹比尔0709.94650 ·数字对象标识代码:10.1109/34.192463
[10] Mallat S.信号处理的小波巡视[M]。波士顿:学术出版社,1999年·兹比尔0998.94510
[11] Amari S,Wu S.通过修改核函数改进支持向量机分类器[J]。神经网络,1999年,12:783-789·doi:10.1016/S0893-6080(99)00032-5
[12] Kaastra I,Boyd M.设计用于预测金融和经济时间序列的神经网络[J]。神经计算,1996,10(3):215-236·doi:10.1016/0925-2312(95)00039-9
[13] Principe J C,Euliano N R,Lefebvre W C.神经和自适应系统:通过CD-ROM模拟的基础[M]。纽约:Wiley,1999年。
[14] 蒙哥马利·D·C,伦格·G·C。工程师应用统计学和概率[M]。纽约:Wiley,1999年·Zbl 0814.62001号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。