SVM在股票短期走势预测中的应用研究开题报告

1. 研究目的与意义（文献综述）

随着中国坚定不移全面深化改革，不断扩大开放，中国资本市场发展前景和潜力都无限之大。股票市场作为我国证券市场的重要组成部分，对我国经济的发展以及社会的稳定起着十分重要的作用。随着我国经济的不断增长，投资理念逐渐深入人心。作为一种高收益的投资方式，投资股票被越来越多的人了解和接受，但高风险的特点也让很多人望而却步。股票价格走势受大量外在因素影响，如公司的经营状况、证券市场运行状况、行业前景、宏观经济等。每个投资人对股市认知的异同性和技术分析的复杂性等也会导致对股票价格走势的判断出现偏差。通过已知的信息降低风险一直是投资者的目标，如何降低风险也一直是中外学者不断探索研究的方向。因此投资者和学者将更多的目光投入到观察k线图以及通过开盘价、最高价、收盘价、指数平滑异同平均线、相对强弱指标等获得的技术指标信息。随着计算机技术及数据挖掘研究的不断深入，预测算法层出不穷，如何有效地挖掘各种技术指标隐藏的信息，并通过信息间的关系进行股市预测是一个很重要的研究方向。有效的预测算法对保证稳定的投资收益，减少投资风险是很有必要的，具有十分重要的现实意义。

数据挖掘可以有效提取出股票技术指标中的隐含信息，进而利用其中的有效信息进行股票市场趋势的研究工作。数据挖掘以及计算机技术的应用有效克服了传统分析方法无法对多因素分析和大量数据分析的问题，投资者通过计算机便可分析股票市场走势。如果通过数据挖掘，研究出某种收益模型，投资者便可以尝试通过该模型获得稳定的利润，而稳定的利润恰巧是投资者最为关心的一个方面。

支持向量机是一种基于机器学习理论的分类模型，作为一种二分类模型，它的本质是寻求一个最优的超平面完成分类。由于它在分类、回归等方面的优异特性，其成功应用于机器学习、图像识别等多个领域。支持向量机对各种不同类型的数据集都有不错的表现，在数据样本规模不是很大（如一段时间的股市技术指标）的情况下，支持向量机能生成不错的决定边界，完成对股市涨跌的分类。将支持向量机用于对股市涨跌进行分类，为股市走势的预测提供了一种新思路。

2. 研究的基本内容与方案

本次毕业设计的主要内容是基于支持向量机模型，结合股票短期走势的潜在规律，从数据清洗、算法建模和结果可视化等几个方面设计一个股票短期走势预测系统。

设计实现一个可视化的股票短期走势预测系统，在系统中可以导入已经准备好的数据，比如一段历史时间的股票收盘价，系统将导入的数据离散化，比如可以使用u、d、f分别表示股价较前一日的上涨、下跌和平稳，在数据离散化时要设定一个阈值，只有数据波动超过了阈值才能算股价上涨或下跌。数据离散化后，需要将数据集分为训练集和测试集。首先，在训练集中使用每连续5天的数据变化（特征值）和第六天的数据变化（目标值）进行训练，得到训练模型，然后使用测试集进行测试，作为预测结果，得到预测的准确率。除了收市价外，还可以尝试使用其他技术指标进行训练和预测来观察不同技术指标对预测结果的影响；还可以使用每连续3天的数据和第四天的数据变化组成长度为4的字符串进行训练，训练后对测试集进行预测，然后与不同长度字符串的预测结果进行比较，得出结论；在使用SVM进行数据训练时，可以尝试选择不同的核函数，对其不同的预测结果进行比较，得出相应的结论。目前有关SVM计算的相关软件有很多，如LIBSVM、mySVM等，本次课程设计选择使用LIBSVM。LIBSVM是台湾大学林智仁博士等开发设计的一个支持向量机软件。LIBSVM解决的支持向量机问题包括分类问题、回归问题等。它提供了线性核函数、多项式核函数、高斯核函数和Ｓ形核函数四种常用的核函数供用户选择。它提供好了编译好的Windows系统文件，LIBSVM还开放了其编译的源代码，方便用户根据自身的需要进行修改。

3. 研究计划与安排

2020.3.2——2020.3.8 准备数据集2020.3.9——2020.3.15 系统架构2020.3.16——2020.4.10 程序设计与开发2020.4.10——2020.4.30 系统测试与完善2020.5.1——2020.5.25 撰写及修改毕业论文

4. 参考文献（12篇以上）

1. 张丽娜 . 支持向量机对股市的预测及实证分析［d］. 青岛：青岛大学，2007.
2. 隋学深，齐中英，基于多尺度特征和支持向量机的股市趋势预测[j]．哈尔滨工业大学学报，2008,10(4):77-82
3. 刘鲭洁, 陈桂明, 刘小方,等. 基于遗传算法的 svm 参数组合优化[j]. 计算机应用与软件,2012, 29(4):94-96.
4. oscarbustos,alexandrapomares,enrique gonzalez.a comparisonbetween svm and multiayer perceptron inpredictiong an emerging financial market:colombian stock market[c].computational intelligence. ieee, 2017:4-6.
5. x.-s. sui, z.-y. qi, d.-r. yu, q.-h. hu, and h. zhao, “a novel feature selection approach using classification complexity for svm of stock market trend prediction,” in proc of international conference on management science and engineering (harbin), 2007, pp. 1654–1659.
6. 于航 . 基于支持向量机模型的股指期货高频交易策略研究 ［d］. 北京：北京理工大学，2015.
7. saad e w, prokhorov d v, wunsch d c. comparative study of stock trend prediction using time delay, recurrent and probabilistic neural networks[j]. neural networks, ieee transactions on, 1998, 9(6): 1456-1470
8. lin x, yang z, song y. short-term stock price prediction based on echo state networks[j]. expert systems with applications, 2009, 36(3): 7313-7317.
9. lin y, guo h, hu j. an svm-based approach for stock market trend prediction[c]. the 2013 international joint conference on neural networks (ijcnn), 2013.
10. 周广旭. 一种新的时间序列分析算法及其在股票预测中的应用[j]. 计算机应用, 2005, 25(9).
11. 黄秋萍, 周霞, 甘宇健, 等. svm 与神经网络模型在股票预测中的应用研究[j]. 微型机与应用, 2015, 5: 032.
12. jigar patel,sahil shah,priyank thakkar,k kotecha. predicting stock market index using fusion of machine learning techniques[j] . expert systems with applications . 2015 (4)
13. jigar patel,sahil shah,priyank thakkar,k kotecha. predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques[j] . expert systems with applications . 2015 (1)
14. kim k ． financial time series forecasting using support vectormachines．neurocomputing．2003；55(1-2)：307—320．
15. r. choudhry and k. garg, “a hybrid machine learning system for stock market forecasting,” in proc. of world academy of science, engineering and technology, 2008, pp. 315–318.