基于機(jī)器學(xué)習(xí)的金融數(shù)據(jù)分析研究

基于機(jī)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(wèn)題已經(jīng)不僅僅局限于傳統(tǒng)的數(shù)理統(tǒng)計(jì)方法，而更多的與機(jī)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(jī)器學(xué)習(xí)中的支持向量回歸算法和時(shí)間序列模型用于建立預(yù)測(cè)模型的績(jī)效問(wèn)題，也就是針對(duì)金融數(shù)據(jù)分析和預(yù)測(cè)準(zhǔn)確度的問(wèn)題。關(guān)鍵詞：機(jī)器學(xué)習(xí)；支持向量機(jī)；金融數(shù)據(jù)項(xiàng)目簡(jiǎn)介：2015年保定市科技局研究項(xiàng)目“基于機(jī)器學(xué)習(xí)的金融數(shù)據(jù)分析研究”，課題編號(hào)：15ZG026、金融數(shù)據(jù)分析的背景及意義長(zhǎng)期以來(lái)專(zhuān)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(cè)方法，以使投資目標(biāo)函數(shù)在利益盡量大的時(shí)候風(fēng)險(xiǎn)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(qiáng)的數(shù)據(jù)分析預(yù)測(cè)模型。當(dāng)前的金融市場(chǎng)業(yè)務(wù)繁多，和業(yè)務(wù)形成正比關(guān)系的各類(lèi)信息系統(tǒng)眾多，這些管理系統(tǒng)也產(chǎn)生海量的各類(lèi)金融數(shù)據(jù)，如何對(duì)金融市場(chǎng)進(jìn)行有效地、及時(shí)地預(yù)測(cè)與分析，則成為企業(yè)、銀行和現(xiàn)代投資者所追求的目標(biāo)?，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(zhǎng)沙：中 南大學(xué)，2004.等有線(xiàn)性關(guān)系， 等有線(xiàn)性關(guān)系， at是白噪聲序列。可見(jiàn)， 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(shí)的金融市場(chǎng)中，普通的投資者很難掌握市場(chǎng)的全部有效信息，所以他們迫切的需要從可以得到的各類(lèi)相關(guān)數(shù)據(jù)中挖掘出金融市場(chǎng)潛在的信息。然而現(xiàn)行的大量分析方法并不能對(duì)已有的數(shù)據(jù)進(jìn)行大規(guī)模的開(kāi)發(fā)和利用，所以并不能滿(mǎn)足金融市場(chǎng)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(jī)器學(xué)習(xí)的方法緊密聯(lián)系在起。金融市場(chǎng)由于其所包含的不可測(cè)因素非常多，所以我們可以將其看作是一個(gè)非線(xiàn)性的、非結(jié)構(gòu)化的復(fù)雜系統(tǒng)。而機(jī)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(xiàn)性問(wèn)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(biāo)準(zhǔn)支持向量算法中的不等式約束化成等式約束而得到的。對(duì)于線(xiàn)性回歸，設(shè)樣本為n維向量，某區(qū)域的l個(gè)樣本及其值表示為：對(duì)于非線(xiàn)性回歸，同樣使用一個(gè)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(jìn)行線(xiàn)性回歸，關(guān)鍵是選取適當(dāng)?shù)暮撕瘮?shù)k(x,y),使得對(duì)于AR(n)模型來(lái)說(shuō)，Xt僅僅與Xt-1,Xt-2,,Xt-n,有n階動(dòng)態(tài)性，因此擬合AR(n)模型的過(guò)程就是使相關(guān)序列獨(dú)立化的過(guò)程。我們知道，隨機(jī)變量X與Y的協(xié)方差函數(shù)為：四、支持向量回歸和時(shí)間序列模型在金融市場(chǎng)預(yù)測(cè)中的應(yīng)用結(jié)合我國(guó)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(jìn)行預(yù)測(cè)，采用LSSVM直接建立非線(xiàn)性AR(1)模型，實(shí)驗(yàn)數(shù)據(jù)采用我國(guó)上證綜合指數(shù)的周收盤(pán)價(jià)，所有數(shù)據(jù)均來(lái)自新浪財(cái)經(jīng)，此次實(shí)驗(yàn)同樣采用Matlab軟件和Eviews軟件實(shí)現(xiàn)。預(yù)測(cè)精度的評(píng)價(jià)標(biāo)準(zhǔn)如表 1所示：從實(shí)驗(yàn)結(jié)果可以看出 LSSVM模型的預(yù)測(cè)結(jié)果要優(yōu)于單純的時(shí)間序列模型。綜合來(lái)看，如果在支持向量機(jī)的基礎(chǔ)上能夠融合時(shí)間序列模型，那么在金融預(yù)測(cè)中將取得良好的應(yīng)用效果。參考文獻(xiàn)高鐵梅.計(jì)量經(jīng)濟(jì)分析方法與建模.EVIEWS應(yīng)用及實(shí)例.清華大學(xué)出版社，2006.謝衷潔，王馳.用時(shí)間序列方法預(yù)測(cè)股票價(jià)格初探與管理，2004，23(5)：68-77.孫德山.支持向量機(jī)分類(lèi)與回歸方法研究： (博士學(xué)位鄧乃揚(yáng).數(shù)據(jù)挖掘的新方法―支持向量機(jī).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(shí)間序列預(yù)測(cè)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