支持向量機在股票預測中的應用解析

魏清晨

摘 要：文章從基于支持向量機的股票預測模型的構建分析入手，對支持向量機在股票預測中的具體應用進行論述。期望通過本文的研究能夠對股票預測結果準確性的提升有所幫助。

關鍵詞：股票;預測模型;支持向量機

股票作為市場經濟的產物，它的出現(xiàn)對于促進經濟發(fā)展具有重要的現(xiàn)實意義。現(xiàn)如今，股票已經成為很多投資者的投資選擇，為了能夠從所選的股票中獲利，就需要對其走勢進行預測。在股票預測中，可以應用支持向量機構建模型，提高預測結果的準確性。借此，下面就支持向量機在股票預測中的應用展開分析探討。

一、基于支持向量機的股票預測模型的構建

從投資風險的角度上看，股票屬于高風險投資，而高風險代表著的高收益，如何在規(guī)避股票投資風險的基礎上，獲得最大的收益，是每一位投資者都非常關心的話題。通過對股票走勢的預測，能夠為投資決策提供依據(jù)，所以保證預測結果的準確性至關重要。支持向量機歸屬于機器學習算法的范疇，是一類線性分類器，可以按照監(jiān)督學習的方式，對數(shù)據(jù)進行二元分類。下面依托支持向量機對股票預測模型進行構建。

1.1建模思路

中國股市最為突出的特點是國有股和法人股不流通，但指數(shù)卻是按照總股本進行加權計算，所以在研究股票預測模型時只能以個股作為對象。股市中的個股在每個交易日結束后，都會有一個收盤價，由于中國股市設置了漲跌停限制，所以除新股發(fā)行之外，個股的單日漲幅不會超過漲跌停限制。換言之，股票當日的收盤價與前兩天的收盤價之間不會出現(xiàn)過大的差值，基于這一前提，可認為股票當日收盤價為之前若干天收盤價的函數(shù)，引入支持向量機可構建股票預測模型。

1.2預測模型的構建

設已知訓練集，然后選取適當?shù)恼龜?shù)及核函數(shù)，將之轉化為求取最優(yōu)解的問題，在此基礎上，對決策函數(shù)進行構建。假設某股票的價格x，當天收盤價為x1，前一天的收盤價為，前若干天的收盤價為。其中n為參數(shù)，可通過最終誤差預報準則評價模型進行確定。中國股市的交易日從每周一到周五，為提高模型的預測準確性，可將n確定為5。輸入量為：

（xt-1，xt-2，…xt-5）T

輸出量為y=xt。當輸入量與輸出量全部確定之后，可以取1個連續(xù)的樣本，將輸入量帶入后，形成全新的訓練集，并以支持向量機算法進行求解。

二、支持向量機在股票預測中的具體應用

為了進一步驗證上文構建的模型在股票預測中是否可行，從上交所選取一只股票，作為實驗對象，相關數(shù)據(jù)通過大智慧軟件進行獲取。本次選取的這只股票在上交所的上市時間超過10年，從股票的整體走勢上看，相對比較穩(wěn)定。在本次實驗的過程中，選取該股某一年1到10的走勢情況作為訓練集，從11月到12月的數(shù)據(jù)作為測試集。

2.1實驗方法

為分析該股在不同時間窗口時的收益情況，利用未來若干個交易日的收盤價形成響應變量，并將響應變量漲幅空間在80%以上的分位數(shù)設定為正樣本，低于80%的分數(shù)位設定為負樣本。通過上文構建的模型，借助支持向量機和遺傳算法完成參數(shù)最優(yōu)化。

2.2結果分析

在利用單個交日期的相關數(shù)據(jù)對該股進行建模后，隨著交易日的增加，模型的預測準確性隨之提升，在第12個交易日時達到穩(wěn)定，之后出現(xiàn)小幅震蕩，這與股票短線技術分析的結果相吻合。在對支持向量機的參數(shù)進行最優(yōu)化時，遺傳算法對模型預測結果準確性的影響比較小，基本可以忽略不計。由此可見，本文提出的預測模型能夠對股票的走勢進行預測，且短期預測結果非常準確。

2.3應用建議

中國的股市是一個動態(tài)的系統(tǒng)，其中的數(shù)據(jù)時時刻刻都在發(fā)生變化，所以經過訓練得出的預測模型，僅能對某個股票在某段時間內的走勢進行有效預測，如果想要預測較長時間的走勢，那么準確性會有所下降。因此，在應用基于支持向量機的預測模型，對股票進行預測時，應當引入增量學習的方法，以此來實現(xiàn)及時更新，為預測結果的準確性提供保障。本文所提出的這種預測模型雖然能夠在股票預測中應用，但其還存在一定的缺陷，如測試集預測時的穩(wěn)定性不高，導致這一問題的主要原因是股票單日漲跌幅的數(shù)據(jù)轉化為樣本時的閾值過于絕對。為有效決絕該問題，可在具體的應用中，通過預測值疊加的方法，獲取決策值，由此能提高預測結果的準確度。

結論

綜上所述，支持向量機作為機器學習算法之一，其在股票預測中具有良好的應用效果。通過股票預測模型的構建，利用支持向量機進行訓練，并以遺傳算法獲取最優(yōu)解，能夠對股市中單只股票短時間的走勢進行預測，并且預測結果非常準確。但由于影響股市的因素較多，所以個股行情也會發(fā)生一定的變化，因此，只能將預測結果作為參考，并不能將之作為股票投資的選擇依據(jù)。

參考文獻：

[1]黃敏健，劉鈺萱.基于機器學習的股票趨勢預測方法研究[J].現(xiàn)代鹽化工，2019 （10）：109-111.

[2]黃煒，基于實時分布式計算的股票預測系統(tǒng)的設計與實現(xiàn)[D].哈爾濱工業(yè)大學，2018.

[3]汪志峰.基于小波神經網絡與支持向量機的股票預測及優(yōu)化[D].安慶師范大學，2019.