基于支持向量机的上证指数预测和分析

研究上证指数预测问题,针对证券指数变化具有随机性、时变、波动性较大等特点,传统线性预测方法预测精度低等缺陷,提出一种基于支持向量机的证券指数预测方法。支持向量机是一种基于统计学理论和结构风险最小化原则的机器学习方法,克服了类似神经网络经验见险最小化原则算法的过拟合、局部极值等缺陷,泛化能力优异。采用1990～2009年上证指数对算法性能进行测试,仿真结果表明,支持向量机是一种预测精度高、误差小的证券指数预测算法,预测结果可以为用户提供有价值的参考意见。

新股上市计入指数的时间选择及测算方法

新股上市何时计入指数成为指数编制中一个众说纷纭的难题,如果计入指数的时间选择不合理,将会对指数产生重大影响。本文分别对新股上市当日和次日计入指数的算法进行了研究,分析比较了当日和次日计入指数的缺陷及不足,对我国新股上市计入指数的时间选择进行了分析并提出了建议。

基于极限学习机的上证指数预测与分析

针对证券指数具有随机性、时变、波动性较大、非线性等特点，传统线性预测方法预测精度低等缺陷，提出了一种基于极限学习机的证券指数预测方法。极限学习机克服了BP神经网络的训练速度慢、过拟合、局部极值等缺陷，具有训练速度快、全局最优和泛化能力优异等优点。采用1991～2013年上证指数对算法性能进行训练，2014年数据做测试，对100个测试数据仿真结果表明，复相关系数高达0.9935，极限学习机是一种预测精度高、误差小的证券指数预测算法，预测结果可以为用户提供有价值的参考意见。

基于支持向量回归与BP神经网络对创业板指数的预测研究

本文主要选取了中国创业板指数2010年6月2日到2013年11月22日的840个样本数据,分别用支持向量回归(SVR)和BP(back propagation)神经网络对其开盘指数进行了分析和预测,预测结果表明,支持向量回归在小样本的条件下在预测精度、全局最优上要优于BP神经网络,对新型的算法进行了一定的探索。

基于观点在线投票的投资者情绪与中国股市相互影响的实证研究

采用投资者在新浪网上生成的观点投票数据计算投资者情绪(看涨情绪、看跌情绪和总体情绪),以上证180指数包含的股票为研究对象,对投资者情绪与中国股市之间的相互影响关系进行实证研究。结果发现:看涨情绪、看跌情绪和成交量均为平稳时间序列,看跌情绪比看涨情绪对投资者的影响更大,成交量是投资者看涨情绪和看跌情绪的格兰杰原因;投资者总体情绪、投资者关注度、开盘指数和收盘指数均为非平稳时间序列,投资者总体情绪与开盘指数无显著相关性,与投资者关注度和收盘指数均互为格兰杰原因。