10.13873/J.1000-9787(2018)03-0051-03
基于Boruta-PSO-SVM的股票收益率研究
针对股票收益率的分类预测研究中支持向量机(SVM)存在的参数选择困难以及分类性能较差的问题,提出了一种基于特征选择(Boruta算法)和粒子群优化(PSO)算法SVM的新算法.通过Boruta算法对训练集进行特征选择,剔除无价值的特征以降低输入维度,同时引入PSO算法优化SVM核函数参数,从而提高SVM的分类性能.实验结果表明:相比决策树、神经网络及极限学习机算法,新算法取得了更高的分类精度,可以有效提高股票收益率的分类预测性能.
Boruta、支持向量机、粒子群优化、股票收益、特征选择
37
TP183(自动化基础理论)
国家自然科学基金资助项目61272315;国家安全总局项目ZHEJIANG-0006-2014AQ
2018-05-11(万方平台首次上网日期,不代表论文的发表时间)
共4页
51-53,57