【摘要】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。 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。本文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。 【关键词】支持向量机 股票价格预测 量化分析 【中图分类号】G64 【文献标识码】A 【文章编号】2095-3089（2016）10-0227-01 一、引言 随着金融市场的逐步完善，证券交易所的交易量也在不断的提升，预测未来一段时间内的证券价格成为广大投资者密切关注的问题，同时产生了许多优秀的证券分析预测方法[1]，如基本分析和技术分析（K线图、移动平均线和OBV线等）。然而这些方法从本质上来讲只是分析方法，其预测结果不很理想。近年来，国内外学者纷纷采用人工神经网络[2]、支持向量机[3]等方法对证券交易数据，特别是股票市场的数据进行处理，试图揭示证券交易数据背后所蕴含的意义，并对其价格进行预测。目前，国内外关于证券价格预测的方法主要有证券投资分析法、时间序列分析法、人工神经网络法和支持向量机方法[4]等。 自2000年以来，国内外对支持向量机的研究不断地增加，SVM应用于证券价格预测领域的优势可概括为： （1）SVM具有坚实的数学理论基础，是专门针对小样本学习问题提出的。 （2）从本质上讲，SVM算法是一个凸二次规划问题，可以保证得到的解是全局最优解。 （3）SVM采用核函数方法，有效的解决了复杂计算问题。 （4）SVM应用了结构风险最小化原则，因而具有很好的推广能力。 基于以上优点，我们可以相信SVM在证券价格预测领域将越来越受推崇。 二、支持向量机简介 支持向量机分类的目标是能在某特征空间中学习到一个分类超平面，使得在这个空间中能够将数据线性分开。支持向量机的研究最初是针对模式识别中的二类线性可分问题提出来的。由于股市的数据是非线性的，SVM对数据进行非线性映射，通过映射？�J：X→F ，将数据映射到一个合适的特征空间F中，从而使数据线性可分，然后在F中构造最优超平面。由于优化函数和分类函数都涉及样本空间的内积运算， 因此在变换后的高维特征空间E中需进行内积运算，根据满足Mercer定理，对应线性变换空间中的内积，=k（xi，xj）。采用适当的核函数k（xi，xj），就能代替向高维空间中的非线性映射，实现非线性变换后的线性分类。 三、支持向量机在股票价格预测中的应用 （1）支持向量机核函数的选取问题 支持向量机方法是将数据映射到一个Hilbert特征空间中，然后在此特征空间中对数据进行处理，数据分类时选择合适的核函数非常重要。目前的方法大部分是使用一种径向基函数Guass核函数，同样可以作为核函数的还有径向基函数吴函数和Wendland函数，在对径向基函数和Guass核函数做了充分研究的基础上，对支持向量机中的核函数可以进行分析和改进。 （2）将改进的分类方法应用到股票价格预测中 将分类方法应用到股票价格预测中时，要面临以下问题： 一是变量的选取问题， 我们希望在选择尽量少的向量的基础上达到做好的预测效果。 二是变量的处理问题， 目的是不能出现向量被覆盖的问题。 四、总结 随着非线性理论、统计学、系统论、信息论、控制论和人工智能技术的空前发展，证券价格预测也开辟了新思路。支持向量机作为一种新的机器学习方法，它基于严格完备的数学理论，引入结构风险最小化原则，可以得到全局最优解，解决了陷入局部极小点的问题，利用支持向量机对证券时间序列进行预测是目前金融预测领域的最好方法之一。 参考文献： [1]彭丽芳， 孟志青， 姜华等.基于时间序列的支持向量机在股票预测中的应用[J].计算技术与自动化，2006， 25（3）：88-91. [2]彭望蜀.基于BP神经网络与支持向量机的股票指数预测模型比较[J]. 南方金融， 2013（1）：71-72. [3]克里斯蒂亚尼尼.支持向量机导论[M].电子工业出版社， 2004. [4]刘道文， 樊明智.基于支持向量机股票价格指数建模及预测[J].统计与决策， 2013（2）：76-78. 作者简介： 高钦姣（1986.9―），女，山东日照人，博士，讲师，研究方向：应用数学。
【摘要】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。 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。本文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。 【关键词】支持向量机 股票价格预测 量化分析 【中图分类号】G64 【文献标识码】A 【文章编号】2095-3089（2016）10-0227-01 一、引言 随着金融市场的逐步完善，证券交易所的交易量也在不断的提升，预测未来一段时间内的证券价格成为广大投资者密切关注的问题，同时产生了许多优秀的证券分析预测方法[1]，如基本分析和技术分析（K线图、移动平均线和OBV线等）。然而这些方法从本质上来讲只是分析方法，其预测结果不很理想。近年来，国内外学者纷纷采用人工神经网络[2]、支持向量机[3]等方法对证券交易数据，特别是股票市场的数据进行处理，试图揭示证券交易数据背后所蕴含的意义，并对其价格进行预测。目前，国内外关于证券价格预测的方法主要有证券投资分析法、时间序列分析法、人工神经网络法和支持向量机方法[4]等。 自2000年以来，国内外对支持向量机的研究不断地增加，SVM应用于证券价格预测领域的优势可概括为： （1）SVM具有坚实的数学理论基础，是专门针对小样本学习问题提出的。 （2）从本质上讲，SVM算法是一个凸二次规划问题，可以保证得到的解是全局最优解。 （3）SVM采用核函数方法，有效的解决了复杂计算问题。 （4）SVM应用了结构风险最小化原则，因而具有很好的推广能力。 基于以上优点，我们可以相信SVM在证券价格预测领域将越来越受推崇。 二、支持向量机简介 支持向量机分类的目标是能在某特征空间中学习到一个分类超平面，使得在这个空间中能够将数据线性分开。支持向量机的研究最初是针对模式识别中的二类线性可分问题提出来的。由于股市的数据是非线性的，SVM对数据进行非线性映射，通过映射？�J：X→F ，将数据映射到一个合适的特征空间F中，从而使数据线性可分，然后在F中构造最优超平面。由于优化函数和分类函数都涉及样本空间的内积运算， 因此在变换后的高维特征空间E中需进行内积运算，根据满足Mercer定理，对应线性变换空间中的内积，=k（xi，xj）。采用适当的核函数k（xi，xj），就能代替向高维空间中的非线性映射，实现非线性变换后的线性分类。 三、支持向量机在股票价格预测中的应用 （1）支持向量机核函数的选取问题 支持向量机方法是将数据映射到一个Hilbert特征空间中，然后在此特征空间中对数据进行处理，数据分类时选择合适的核函数非常重要。目前的方法大部分是使用一种径向基函数Guass核函数，同样可以作为核函数的还有径向基函数吴函数和Wendland函数，在对径向基函数和Guass核函数做了充分研究的基础上，对支持向量机中的核函数可以进行分析和改进。 （2）将改进的分类方法应用到股票价格预测中 将分类方法应用到股票价格预测中时，要面临以下问题： 一是变量的选取问题， 我们希望在选择尽量少的向量的基础上达到做好的预测效果。 二是变量的处理问题， 目的是不能出现向量被覆盖的问题。 四、总结 随着非线性理论、统计学、系统论、信息论、控制论和人工智能技术的空前发展，证券价格预测也开辟了新思路。支持向量机作为一种新的机器学习方法，它基于严格完备的数学理论，引入结构风险最小化原则，可以得到全局最优解，解决了陷入局部极小点的问题，利用支持向量机对证券时间序列进行预测是目前金融预测领域的最好方法之一。 参考文献： [1]彭丽芳， 孟志青， 姜华等.基于时间序列的支持向量机在股票预测中的应用[J].计算技术与自动化，2006， 25（3）：88-91. [2]彭望蜀.基于BP神经网络与支持向量机的股票指数预测模型比较[J]. 南方金融， 2013（1）：71-72. [3]克里斯蒂亚尼尼.支持向量机导论[M].电子工业出版社， 2004. [4]刘道文， 樊明智.基于支持向量机股票价格指数建模及预测[J].统计与决策， 2013（2）：76-78. 作者简介： 高钦姣（1986.9―），女，山东日照人，博士，讲师，研究方向：应用数学。