科研之友
微信
新浪微博
Facebook
分享链接
摘要
股票价格受政策，宏观经济以及公司经营状况等多方因素的影响，且各因素之间存在较高的相关性，因此股票数据存在的高噪声、非平稳等特性使得股票预测充满困难。为了减少数据中存在的噪声对股价预测准确性的影响，本文基于马氏距离的类间隔可分性，提出了结构化最大间隔双支持向量机，其分别针对正类样本和负类样本，寻找两个非平行的超平面，使每一类样本离本类样本的欧式距离尽可能小，同时离异类超平面的马氏距离尽可能大。八组基准数据集的实验结果表明，本方法在含噪声数据的分类问题上具有稳定的准确率，从而提升了模型的预测性能和抗噪能力。同时将其应用到股票涨跌趋势预测中，通过对上证综指、上证A指、上证380指数以及中国平安等十四支股票实证分析的结果表明，相较于其他对比模型，结构化最大间隔双支持向量机表现出了较好的预测结果，具有一定的实用价值。
- 单位
