论文部分内容阅读
随着大数据时代的到来,人们对金融市场的认识进一步深化,金融数据预测成为经济学、统计学和计算机科学研究的热点话题。如何能准确地预测金融资产的价格,对社会经济发展具有重大意义。对金融市场波动性的深刻描述一般是从ARIMA-GARCH模型开始的。然而,传统的时间序列ARIMA-GARCH模型对非线性因素的把握存在一定的不足。而诸如支持向量机等机器学习方法,对数据有着更少的假设,并且能检测数据中的非线性模式,这就克服了传统方法的线性限制。因此,这些方法被普遍用于处理金融市场的非线性和波动性。考虑到ARIMA-GARCH模型处理时间序列数据条件异方差的优势,以及支持向量回归(SVR)处理非线性数据的优势,本文提出SVR-ARMA-GARCH模型。它是ARIMA-GARCH模型和SVR模型的组合模型,是传统时间序列分析和现代机器学习模型的组合。同时,本文还提出了另一种组合模型GARCH-SVR模型,以便后续对若干模型进行比较。为了检验模型的性能,本文利用ARIMA-GARCH模型、SVR模型、GARCHSVR模型和SVR-ARMA-GARCH模型,对股票指数进行预测研究,检验模型的性能。同时,特征选择是也是SVR的重要问题。本文利用股票技术分析指标和特征选择算法,以此来选择SVR中的变量,并利用多组股票数据构建四个模型并利用模型评价指标对其进行评价。实证结果表明:(1)SVR-ARMA-GARCH模型在四个模型中预测精度最高,加入了SVR预测结果的SVR-ARMA-GARCH模型比ARIMA-GARCH模型的MAE、RMSE均有明显地提升。(2)在SVR中进行特征选择,尤其是加入了GARCH项的GARCH-SVR模型,能够提高SVR的预测精度。