论文部分内容阅读
股市作为金融市场的重要组成部分,具有非线性波动的特点,因此,如何较为准确地对股市价格波动的情况进行预测一直都是研究的重点。国内外很多学者先后提出了一些有效的证券价格预测方法,如基本面分析法、技术分析法等,但是预测效果并不理想。随着非线性技术的发展,人工神经网络(Artificial Neural Network,ANN)被广泛地应用到股票价格预测中,并取得了较好的预测效果,但ANN以经验风险最小化为原则,存在诸多的缺点,如收敛速度较慢以及易陷入局部最小值等。以结构风险最小化为原则的支持向量机(Support Vector Machine,SVM)能够很好地解决上述问题,因此诸多学者将其应用到股市领域中,并验证了支持向量机能够对股票市场的走势取得不错的预测效果。但是当处理大量的数据集时,支持向量机就会表现出训练速度缓慢等缺点,并且随着股市的数据规模以及维数的不断增多,支持向量机的计算效率并不理想。近年来,GPU(Graphic Processing Unit)通用计算作为新兴的高性能计算方法,凭借强大的浮点计算能力、并行计算能力以及高存储宽带被应用于通用计算领域。因此,本文通过GPU技术将支持向量机并行化并应用到股票价格预测中。具体工作如下:(1)针对支持向量机训练速度过慢的问题,在序列最小优化(Sequential Minimal Optimization,SMO)算法的基础上,对其进行并行性分析,并提出基于GPU的SMO算法。(2)在基于GPU的SMO算法基础上,结合用于参数寻优的网格搜索(Grid Search,GS)算法和粒子群(Particle Swarm Optimization,PSO)算法,构建并行SVM股票价格预测模型。(3)利用四组股票数据对并行SVM股票价格预测模型进行实验,从模型的运行时间和预测准确率上分别对GS-SVM模型、GPU-GS-SVM模型、PSO-SVM模型和GPU-PSO-SVM模型进行了分析与对比。实验结果表明,利用基于GPU的网格搜索算法优化后的并行SVM股票价格预测模型能在具有较高的预测准确率的前提下明显缩短运行时间。