基于機器學(xué)習(xí)的金融數(shù)據(jù)分析研究

基于機器學(xué)習(xí)的金融數(shù)據(jù)分析研究摘要：隨著互聯(lián)網(wǎng)技術(shù)和信息技術(shù)的迅速發(fā)展，在互聯(lián)網(wǎng)金融的大背景下，金融數(shù)據(jù)處理問題已經(jīng)不僅僅局限于傳統(tǒng)的數(shù)理統(tǒng)計方法，而更多的與機器學(xué)習(xí)領(lǐng)域的各種信息處理方法相結(jié)合，并取得了一些有重要意義的研究成果。本文將主要研究機器學(xué)習(xí)中的支持向量回歸算法和時間序列模型用于建立預(yù)測模型的績效問題，也就是針對金融數(shù)據(jù)分析和預(yù)測準確度的問題。關(guān)鍵詞：機器學(xué)習(xí)；支持向量機；金融數(shù)據(jù)項目簡介：2015年保定市科技局研究項目“基于機器學(xué)習(xí)的金融數(shù)據(jù)分析研究”，課題編號：15ZG026、金融數(shù)據(jù)分析的背景及意義長期以來專家學(xué)者們都希望能夠找到使誤差更接近零的分析預(yù)測方法，以使投資目標函數(shù)在利益盡量大的時候風(fēng)險盡量最小。所以，人們不得不努力的研究更新、更有效、泛化能力更強的數(shù)據(jù)分析預(yù)測模型。當(dāng)前的金融市場業(yè)務(wù)繁多，和業(yè)務(wù)形成正比關(guān)系的各類信息系統(tǒng)眾多，這些管理系統(tǒng)也產(chǎn)生海量的各類金融數(shù)據(jù)，如何對金融市場進行有效地、及時地預(yù)測與分析，則成為企業(yè)、銀行和現(xiàn)代投資者所追求的目標?，F(xiàn)代投資者不再僅僅關(guān)注于股票的基本面信息，而論文)論文).長沙：中 南大學(xué)，2004.等有線性關(guān)系， 等有線性關(guān)系， at是白噪聲序列?？梢姡?AR(n)系統(tǒng)具是更多的需要深層次的挖掘大規(guī)模金融數(shù)據(jù)內(nèi)在的聯(lián)系，從而獲取更多的信息。在現(xiàn)實的金融市場中，普通的投資者很難掌握市場的全部有效信息，所以他們迫切的需要從可以得到的各類相關(guān)數(shù)據(jù)中挖掘出金融市場潛在的信息。然而現(xiàn)行的大量分析方法并不能對已有的數(shù)據(jù)進行大規(guī)模的開發(fā)和利用，所以并不能滿足金融市場投資者的需求。投資者的這種迫切的需要將金融數(shù)據(jù)與機器學(xué)習(xí)的方法緊密聯(lián)系在起。金融市場由于其所包含的不可測因素非常多，所以我們可以將其看作是一個非線性的、非結(jié)構(gòu)化的復(fù)雜系統(tǒng)。而機器學(xué)習(xí)方法作為智能信息處理的重要組成部分，在其他領(lǐng)域已經(jīng)被證明可以有效地解決這種非線性問題。二、最小二乘支持向量回歸算法最小二乘支持向量算法(LSSVM)是將標準支持向量算法中的不等式約束化成等式約束而得到的。對于線性回歸，設(shè)樣本為n維向量，某區(qū)域的l個樣本及其值表示為：對于非線性回歸，同樣使用一個映射 $把數(shù)據(jù)映射到高維特征空間，再在高維特征空間進行線性回歸，關(guān)鍵是選取適當(dāng)?shù)暮撕瘮?shù)k(x,y),使得對于AR(n)模型來說，Xt僅僅與Xt-1,Xt-2,,Xt-n,有n階動態(tài)性，因此擬合AR(n)模型的過程就是使相關(guān)序列獨立化的過程。我們知道，隨機變量X與Y的協(xié)方差函數(shù)為：四、支持向量回歸和時間序列模型在金融市場預(yù)測中的應(yīng)用結(jié)合我國股票指數(shù)的數(shù)據(jù)，利用最小二乘支持向量算法(LSSVM和AR(n)模型進行預(yù)測，采用LSSVM直接建立非線性AR(1)模型，實驗數(shù)據(jù)采用我國上證綜合指數(shù)的周收盤價，所有數(shù)據(jù)均來自新浪財經(jīng)，此次實驗同樣采用Matlab軟件和Eviews軟件實現(xiàn)。預(yù)測精度的評價標準如表 1所示：從實驗結(jié)果可以看出 LSSVM模型的預(yù)測結(jié)果要優(yōu)于單純的時間序列模型。綜合來看，如果在支持向量機的基礎(chǔ)上能夠融合時間序列模型，那么在金融預(yù)測中將取得良好的應(yīng)用效果。參考文獻高鐵梅.計量經(jīng)濟分析方法與建模.EVIEWS應(yīng)用及實例.清華大學(xué)出版社，2006.謝衷潔，王馳.用時間序列方法預(yù)測股票價格初探與管理，2004，23(5)：68-77.孫德山.支持向量機分類與回歸方法研究： (博士學(xué)位鄧乃揚.數(shù)據(jù)挖掘的新方法―支持向量機.北京：科學(xué)出版社，2004.[5]楊一文.基于神經(jīng)網(wǎng)絡(luò)的多變量時間序列預(yù)測及其在股市中的應(yīng)用.信息與控制，2001，30（5）：413-417.[6]王振龍，胡永