基于时间相关性的股票价格混合预测模型
对于金融市场决策而言,金融时间序列的分析预测扮演着越来越重要的角色. 但通常的分析预测模型没有考虑金融时间序列数据内部的时间相关性问题,这在很大程度上影响了预测模型精度的进一步提高. 因此提出一种新的股票价格混合预测模型,分别用ARIMA和基于时间测地线距离的SVM处理金融时序的线性和非线性成分. 实验表明,该混合模型可以有效克服传统SVM核函数利用欧式距离表征时序数据相关性的不足,从而显著提高组合模型的预测精度.
ARIMA、支持向量机、时间测地线、股票价格预测
F830.91(金融、银行)
国家自然科学基金面上项目"市场微观结构、特质波动率异象与MAX效应"71371113;教育部人文社会科学研究项目"市场微观结构、流动性风险与MAX效应"13YJA790154
2015-10-20（万方平台首次上网日期，不代表论文的发表时间）
共6页
23-28
