Grid-Search和PSO优化的SVM在Shibor回归预测中的应用研究

• 作者: 张剑 王波
• 来源期刊: 经济数学
• 学科: 经济
• 关键词: 机器学习 非线性回归预测 支持向量机 网格搜索法 粒子群算法 Shibor
• 年，卷（期）: 2017,（2）
• 所属期刊栏目: 金融工程
• 页码范围: 84-88
• 页数: 5页
• 分类号: F830
• 字数: 4065字
• 语种: 中文

摘要

作为一种动态和非稳定时间序列,Shibor发展变化是随机波动的,难以准确预测Shibor的波动性.支持向量机(SVM)在回归预测非线性时间序列方面有很好地预测效果,SVM的预测精度和泛化能力的核心是参数的优化选择,分别用网格搜索法(Grid-Search)和粒子群(PSO)算法来优化SVM的参数c和g.从而将参数优化后的SVM非线性回归预测法与基于传统ARIMA时间序列预测结果进行对比分析.实验表明,优化后的SVM回归预测方法比ARIMA时间序列方法更精确,在实际中具有很大的应用价值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王波	上海理工大学管理学院	162	787	16.0	21.0
2	张剑	上海理工大学管理学院	4	13	3.0	3.0