基于改进的分形插值与SVM的股指预测模型

doi:10.3969/j.cnki.jdxb.2018.03.004

吉首大学学报（自然科学版）

基于改进的分形插值与SVM的股指预测模型

黎红，王宏勇

(南京财经大学应用数学学院，江苏南京 210023)

出版日期:2018-05-25 发布日期:2018-06-27
通讯作者: 王宏勇(1963—)，男，江苏扬州人，南京财经大学应用数学学院教授，硕士生导师，主要从事分形理论与金融应用研究.
基金资助:
教育部人文社科规划基金（12YJAZH020）；南京财经大学现代服务业协同创新中心资助项目（ZWFXT14001）；江苏省普通高校学术学位研究生科研创新计划项目（KYLX16_1337）

Prediction of Stock Index Based on Fractal Interpolation and SVM

LI Hong,WANG Hongyong

(School of Applied Mathematics,Nanjing University of Finance and Economics,Nanjing 210023,China)

Online:2018-05-25 Published:2018-06-27

摘要/Abstract

摘要：

为了更好地分析和预测股指时间序列的短期变化趋势，提出了一种确定分形插值自由参数的新方法，由此建立了一个改进的分形插值模型，并将该模型与支持向量机模型相结合构造混合预测模型.经R/S分析可知上海证券综合指数的日收盘数据具有长程相关性，于是将混合预测模型用于分析和预测上海证券综合指数时间序列，发现混合预测模型较其他方法具有更好的拟合效果，且在短期预测方面有更高的预测精度.

关键词： 分形插值, SVM模型, 股指序列, 预测

Abstract:

In order to better analyze and predict the short-term trend of stock index time series,we propose a new method to determine the free parameters of fractal interpolation,and establish an improved fractal interpolation model.This model is the combined with the support vector machine model to establish a mixed prediction model.The daily closing data of Shanghai composite index is selected as the research object which is shown to have long-range dependence thorugh R/S analysis.The time series of Shanghai composite index are analyzed and predicted by the mixed prediction model.The empirical results show that and the new mixed model proposed in this paper has good fitting performance and higher accuracy in short-term prediction.

Key words: fractal interpolation;SVM , model;stock index series;prediction

黎红，王宏勇. 基于改进的分形插值与SVM的股指预测模型[J]. 吉首大学学报（自然科学版）, DOI: 10.3969/j.cnki.jdxb.2018.03.004.

LI Hong,WANG Hongyong. Prediction of Stock Index Based on Fractal Interpolation and SVM[J]. Journal of Jishou University（Natural Sciences Edition), DOI: 10.3969/j.cnki.jdxb.2018.03.004.

参考文献

[1] MANDELBROT BENOIT B.New Methods in Statistical Economics[J].Journal of Political Economy,1963，71(5)：421-440.
[2] PETERS EDGAR E.Fractal Market Analysis:Applying Chaos Theory to Investment and Economics[M].New York,Chichester,Brisbane,Toronto,Singapore:John Wiley & Son,Inc.,1994.
[3] 王明涛.基于R/S法分析中国股票市场的非线性特征[J].预测,2002,21(3):42-45.
[4] YUAN Ying,ZHUANG Xintian,JIN Xiu.Measuring Multifractality of Stock Price Fluctuation Using Multifractal Detrended Fluctuation Analysis[J].Physica A:Statistical Mechanics and Its Applications,2009,388(11):2 189-2 197.
[5] 王宏勇,郭丽娜.国际黄金期价与美元指数交互关系的多重分形分析[J].数理统计与管理,2015,34(5):878-889.
[6] RICHARDS GORDON R.A Fractal Forecasting Model for Financial Time Series[J].Journal of Forecasting,2004,23(8):586-601.
[7] NI Liping,NI Zhiwei,GAO Yazhuo.Stock Trend Prediction Based on Fractal Feature Selection and Support Vector Machine[J].Expert Systems with Applications:An International Journal,2011,38(5):5 569-5 576.
[8] MOGHADDAM AMIN HEDAYATI,MOGHADDAM MOEIN HEDAYATI,ESFANDYARI MORTEZA.Stock Market Index Prediction Using Artificial Neural Network[J].Journal of Economics,Finance and Administrative Science,2016,21(41):89-93.
[9] OZTEKIN ASIL,KIZILASLAN RECEP,FREUND STEVEN,et al.A Data Analytic Approach to Forecasting Daily Stock Returns in an Emerging Market[J].European Journal of Operational Research,2016,253(3):697-710.
[10] BARNSLEY MICHAEL F.Fractal Functions and Interpolation[J].Constructive Approximation,1986,2(1):303-329.
[11] WANG Hongyong,YU Jiashan.Fractal Interpolation Function with Variable Parameters and Their Analytical Properties[J].Journal of Approximation Theory,2013,175（4）:1-18.
[12] 王宏勇,马丽.基于分形插值模型的股价时间序列分析及预测[J].统计与决策,2009(16):29-30.
[13] ZHAI Mingyue.A New Method for Short-Term Load Forecasting Based on Fractal Interpretation and Wavelet Analysis[J].Electrical Power & Energy Systems,2015,69(1):241-245.
[14] MAZEL DAVID S,HAYES MONSON H.Using Iterated Function Systems to Model Discrete Sequences[J].IEEE Transactions on Signal Processing,1992,40(7):1 724-1 734.
[15] 梁循.支持向量机算法及其金融应用[M].北京:知识产权出版社,2012：1-15.
[16] TAY FRANCIS E H,CAO L J.Modified Support Vector Machines in Financial Time Series Forecasting[J].Neurocomputing,2002,48(1-4):847-861.
[17] WANG Shuai,SHANG Wei.Forecasting Direction of China Security Index 300 Movement with Least Squares Support Vector Machine[J].Procedia Computer Science,2014,31:869-874.
[18] WANG Jianzhou,HOU Ru,WANG Chen,et al.Improved v-Support Vector Regression Model Based on Variable Selection and Brain Storm Optimization for Stock Price Forecasting[J].Applied Soft Computing,2016,49:164-178.

基于改进的分形插值与SVM的股指预测模型

Prediction of Stock Index Based on Fractal Interpolation and SVM

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	石季雨, 余思瑶, 易叶青. 优化NGM(1,1,k)模型在国内能源消费中的应用[J]. 吉首大学学报（自然科学版）, 2022, 43(4): 27-33.
[2]	李家稳, 王崇旭, 王浩. 基于神经网络的桥下开挖竖向位移预测[J]. 吉首大学学报（自然科学版）, 2022, 43(2): 53-59.
[3]	李龙祥, 彭晨, 李军, 王雨嫣, 鲁荣波. 基于LSTM-AdaBoost的城市住宅区负荷预测[J]. 吉首大学学报（自然科学版）, 2021, 42(6): 30-35.
[4]	郎红, 常啸, 李琴, 宋国锋. 新零售目标产品的精准需求分析与预测[J]. 吉首大学学报（自然科学版）, 2021, 42(3): 87-91.
[5]	陈铭, 谢欢, 彭芯竹, 周雅金, 谭云仙, 庄大春. 张家界市永定区县域耕地保有量预测[J]. 吉首大学学报（自然科学版）, 2020, 41(6): 70-73.
[6]	曹邦兴. 自适应动态三次指数平滑法在交通预测中的应用[J]. 吉首大学学报（自然科学版）, 2019, 40(5): 13-17.
[7]	黎铭，王林，梁冰，扈海泽，资春元，莫异，方梦鸽，扈菲宇. 含风电微电网负荷预测建模及其仿真[J]. 吉首大学学报（自然科学版）, 2019, 40(4): 43-47.
[8]	王军. 安徽省某地区中长期电力负荷预测[J]. 吉首大学学报（自然科学版）, 2018, 39(6): 46-49.
[9]	李邦彦, 李连军. 电压激励蔡氏电路混沌的解析预测及其仿真[J]. journal6, 2015, 36(2): 46-51.
[10]	江沸菠, 申艳妮, 甘巧. 基于Elman神经网络的PMV参数预测建模[J]. journal6, 2014, 35(6): 64-69.
[11]	张林泉. 线性回归模型的置信区间与预测区间应用分析[J]. journal6, 2013, 34(6): 15-18.
[12]	肖岚菁, 刘红良. GM(1,1)模型和Verhulst模型的改进及其应用[J]. journal6, 2013, 34(5): 16-20.
[13]	曹灿, 赵联文, 昌春艳, 刘娟. 2009年加拿大H1N1疫情的ARIMA模型预测与分析[J]. journal6, 2011, 32(4): 35-38.
[14]	贾备, 邬亮. 基于灰色理论的基坑沉降预测分析[J]. journal6, 2009, 30(4): 78-80.
[15]	何迎生, 段明秀. 基于RBF神经网络的时间序列预测[J]. journal6, 2008, 29(3): 52-54.