股票价格预测　数据挖掘专题报告

　　数据挖掘专题报告:支持向量机在股票价格预测方面的应用

    支持向量机(support vector machine, SVM)是数据挖掘中的一项新技术,是借助于最优化方法解决机器学习问题的新工具。它成为克服“维数灾难”和“过学习”等传统困难的有效办法,虽然他还处在飞速发展的阶段,但它的理论基础和实现途径的基本框架已经形成。支持向量机目前主要用来解决分类问题(模式识别,判别分析)和回归问题。而股市行为预测通常为预测股市数据的走势和预测股市数据的未来数值。而当我们将走势看作两种状态(涨、跌),问题便转化为分类问题,而预测股市未来的价格是指为典型的回归问题。我们有理由相信支持向量机可以对股市进行预测。 本报告是支持向量机对股票价格预测应用报告的综述,旨在于介绍预测股票价格走势的SVM简单预测模型。该模型可以用来预测未来若干天股票价格的大体走势,这对于股票投资可以起到很好的指导性作用。
    实证结果表明:

    1、SVM 简单预测模型在当所预测的未来若干天的股票价格趋于平稳上升或者下降状态时,该模型预测的效果最佳,用作预测股票价格的大体走势可信度较高。

    2、然而在股票价格突然快速上涨或者下跌时,模型的预测往往不能立即跟上真实行情的变化速度,导致模拟走势与实际情况存在差异。

    3、实证例子还表明在牛市和熊市中,预测效果比震荡市中的效果更为准确。原因是震荡市中所要预测的实际股票价格时涨时跌,预测的曲线存在很多的急转弯,影响了其正确性。 但一般来讲,从长远来看(50 交易日),该模型还是能够描述出实际股票价格的大体走势,只是如果当预测走势的趋势不确定时,说明实际股票数据可能变化较小或震荡可能性较大,因此可以考虑不对该股票进行投资或者抛出该股票。

    在应用SVM进行股票预测时,如何有效地选取输入向量的分量是决定预测模型准确性的关键。样本向量的各个分量应该选取能充分反应股票市场交易特征的定量指标,不加选择则会增加期望误差的上界。反之, 选取指标过少难以刻画股票市场的特点。