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

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.

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

所属期刊栏目：34

分类号：F830(金融、银行)

在线出版日期：2017-07-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：84-88