MATLAB预测与预报模型代码基于SVM神经网络的上证开盘指数预测回归预测分析代码.zip资源-CSDN文库

共10个文件

png：7个

mat：1个

m：1个

matlab

支持向量机

神经网络

需积分: 1 27 浏览量 2023-07-25 19:33:52 上传评论收藏 183KB ZIP 举报

标题中的“MATLAB预测与预报模型代码基于SVM神经网络的上证开盘指数预测回归预测分析代码.zip”表明这是一个使用MATLAB编程环境，采用支持向量机（SVM）神经网络技术来预测上海证券交易市场上证指数开盘价的项目。这个项目可能包括数据预处理、模型构建、训练、验证以及预测等步骤。描述中的信息与标题一致，进一步确认了这个压缩包的内容是关于使用SVM神经网络进行上证指数开盘价预测的MATLAB代码。这样的预测模型对于金融市场参与者来说非常重要，因为准确的预测可以帮助投资者做出更明智的决策。标签中的“matlab”表示代码是用MATLAB语言编写的，这是一种广泛用于数值计算、图像处理和科学建模的高级编程语言。“软件/插件”可能指的是该代码可能使用了MATLAB的特定工具箱，如神经网络工具箱或统计与机器学习工具箱。“支持向量机”和“神经网络”是两种机器学习方法，SVM是一种监督学习模型，常用于分类和回归问题；神经网络则是一种模仿人脑神经元结构的计算模型，擅长处理复杂非线性关系。“金融商贸”标签说明了应用领域，即金融市场的商业活动。在压缩包子文件的列表中，“chapter14_sh.mat”可能是一个MATLAB的数据文件，包含了上证指数的历史数据或者其他模型参数。“chapter14.m”可能是主程序文件，包含了整个预测模型的实现代码，包括数据导入、预处理、模型构建、训练、预测和结果可视化等步骤。“html”可能是一些帮助文档或者报告，用于解释代码的使用方法和预测结果的解读。在这个项目中，开发者可能对上证指数的历史数据进行了预处理，例如清洗数据、填充缺失值、标准化等，以提高模型的训练效果。然后，利用MATLAB的SVM函数构建回归模型，通过训练数据调整模型参数，比如核函数类型、惩罚系数C和核参数γ。训练完成后，模型会使用验证集进行评估，确保其泛化能力。模型可以对未来的开盘指数进行预测，这些预测结果可能被用于投资决策。这个压缩包提供了一个完整的示例，展示了如何在MATLAB环境中结合SVM神经网络技术进行金融时间序列预测，这对于学习机器学习和金融数据分析的人员来说具有很高的参考价值。

资源推荐

资源详情

资源评论

收起资源包目录

MATLAB预测与预报模型代码基于SVM神经网络的上证开盘指数预测回归预测分析代码.zip （10个子文件）

chapter14_sh.mat 215KB

chapter14.m 7KB

html

chapter14_03.png 18KB

chapter14_06.png 10KB

chapter14_04.png 25KB

chapter14.html 26KB

chapter14.png 4KB

chapter14_05.png 12KB

chapter14_02.png 9KB

chapter14_01.png 8KB

%% SVM神经网络的回归预测分析---上证指数开盘指数预测 % % <html> % <table border="0" width="600px" id="table1"> <tr> <td>该案例作者申明：</td> </tr> <tr> <td>1：本人长期驻扎在此<a target="_blank" href="http://www.ilovematlab.cn/forum-158-1.html">板块</a>里，对<a target="_blank" href="http://www.ilovematlab.cn/thread-48362-1-1.html">该案例</a>提问，做到有问必答。</td></tr><tr> <td>2：此案例有配套的教学视频，配套的完整可运行Matlab程序。</td> </tr> <tr> <td> 3：以下内容为该案例的部分内容（约占该案例完整内容的1/10）。</td> </tr> <tr> <td> 4：此案例为原创案例，转载请注明出处（<a target="_blank" href="http://www.ilovematlab.cn/">Matlab中文论坛</a>，<a target="_blank" href="http://www.ilovematlab.cn/forum-158-1.html">《Matlab神经网络30个案例分析》</a>）。</td> </tr> <tr> <td> 5：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。</td> </tr> <tr> <td> 6：您看到的以下内容为初稿，书籍的实际内容可能有少许出入，以书籍实际发行内容为准。</td> </tr><tr> <td> 7：此书其他常见问题、预定方式等，<a target="_blank" href="http://www.ilovematlab.cn/thread-47939-1-1.html">请点击这里</a>。</td> </tr></table> % </html> % %% 清空环境变量 function chapter14 tic; close all; clear; clc; format compact; %% 数据的提取和预处理 % 载入测试数据上证指数(1990.12.19-2009.08.19) % 数据是一个4579*6的double型的矩阵,每一行表示每一天的上证指数 % 6列分别表示当天上证指数的开盘指数,指数最高值,指数最低值,收盘指数,当日交易量,当日交易额. load chapter14_sh.mat; % 提取数据 [m,n] = size(sh); ts = sh(2:m,1); tsx = sh(1:m-1,:); % 画出原始上证指数的每日开盘数 figure; plot(ts,'LineWidth',2); title('上证指数的每日开盘数(1990.12.20-2009.08.19)','FontSize',12); xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12); ylabel('开盘数','FontSize',12); grid on; % 数据预处理,将原始数据进行归一化 ts = ts'; tsx = tsx'; % mapminmax为matlab自带的映射函数 % 对ts进行归一化 [TS,TSps] = mapminmax(ts,1,2); % 画出原始上证指数的每日开盘数归一化后的图像 figure; plot(TS,'LineWidth',2); title('原始上证指数的每日开盘数归一化后的图像','FontSize',12); xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12); ylabel('归一化后的开盘数','FontSize',12); grid on; % 对TS进行转置,以符合libsvm工具箱的数据格式要求 TS = TS'; % mapminmax为matlab自带的映射函数 % 对tsx进行归一化 [TSX,TSXps] = mapminmax(tsx,1,2); % 对TSX进行转置,以符合libsvm工具箱的数据格式要求 TSX = TSX'; %% 选择回归预测分析最佳的SVM参数c&g % 首先进行粗略选择: [bestmse,bestc,bestg] = SVMcgForRegress(TS,TSX,-8,8,-8,8); % 打印粗略选择结果 disp('打印粗略选择结果'); str = sprintf( 'Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg); disp(str); % 根据粗略选择的结果图再进行精细选择: [bestmse,bestc,bestg] = SVMcgForRegress(TS,TSX,-4,4,-4,4,3,0.5,0.5,0.05); % 打印精细选择结果 disp('打印精细选择结果'); str = sprintf( 'Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg); disp(str); %% 利用回归预测分析最佳的参数进行SVM网络训练 cmd = ['-c ', num2str(bestc), ' -g ', num2str(bestg) , ' -s 3 -p 0.01']; model = svmtrain(TS,TSX,cmd); %% SVM网络回归预测 [predict,mse] = svmpredict(TS,TSX,model); predict = mapminmax('reverse',predict',TSps); predict = predict'; % 打印回归结果 str = sprintf( '均方误差 MSE = %g 相关系数 R = %g%%',mse(2),mse(3)*100); disp(str); %% 结果分析 figure; hold on; plot(ts,'-o'); plot(predict,'r-^'); legend('原始数据','回归预测数据'); hold off; title('原始数据和回归预测数据对比','FontSize',12); xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12); ylabel('开盘数','FontSize',12); grid on; figure; error = predict - ts'; plot(error,'rd'); title('误差图(predicted data - original data)','FontSize',12); xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12); ylabel('误差量','FontSize',12); grid on; figure; error = (predict - ts')./ts'; plot(error,'rd'); title('相对误差图(predicted data - original data)/original data','FontSize',12); xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12); ylabel('相对误差量','FontSize',12); grid on; snapnow; toc; %% 子函数 SVMcgForRegress.m function [mse,bestc,bestg] = SVMcgForRegress(train_label,train,cmin,cmax,gmin,gmax,v,cstep,gstep,msestep) %SVMcg cross validation by faruto % % by faruto %Email:patrick.lee@foxmail.com QQ:516667408 http://blog.sina.com.cn/faruto BNU %last modified 2010.01.17 %Super Moderator @ www.ilovematlab.cn % 若转载请注明： % faruto and liyang , LIBSVM-farutoUltimateVersion % a toolbox with implements for support vector machines based on libsvm, 2009. % Software available at http://www.ilovematlab.cn % % Chih-Chung Chang and Chih-Jen Lin, LIBSVM : a library for % support vector machines, 2001. Software available at % http://www.csie.ntu.edu.tw/~cjlin/libsvm % about the parameters of SVMcg if nargin < 10 msestep = 0.06; end if nargin < 8 cstep = 0.8; gstep = 0.8; end if nargin < 7 v = 5; end if nargin < 5 gmax = 8; gmin = -8; end if nargin < 3 cmax = 8; cmin = -8; end % X:c Y:g cg:acc [X,Y] = meshgrid(cmin:cstep:cmax,gmin:gstep:gmax); [m,n] = size(X); cg = zeros(m,n); eps = 10^(-4); bestc = 0; bestg = 0; mse = Inf; basenum = 2; for i = 1:m for j = 1:n cmd = ['-v ',num2str(v),' -c ',num2str( basenum^X(i,j) ),' -g ',num2str( basenum^Y(i,j) ),' -s 3 -p 0.1']; cg(i,j) = svmtrain(train_label, train, cmd); if cg(i,j) < mse mse = cg(i,j); bestc = basenum^X(i,j); bestg = basenum^Y(i,j); end if abs( cg(i,j)-mse )<=eps && bestc > basenum^X(i,j) mse = cg(i,j); bestc = basenum^X(i,j); bestg = basenum^Y(i,j); end end end % to draw the acc with different c & g [cg,ps] = mapminmax(cg,0,1); figure; [C,h] = contour(X,Y,cg,0:msestep:0.5); clabel(C,h,'FontSize',10,'Color','r'); xlabel('log2c','FontSize',12); ylabel('log2g','FontSize',12); firstline = 'SVR参数选择结果图(等高线图)[GridSearchMethod]'; secondline = ['Best c=',num2str(bestc),' g=',num2str(bestg), ... ' CVmse=',num2str(mse)]; title({firstline;secondline},'Fontsize',12); grid on; figure; meshc(X,Y,cg); % mesh(X,Y,cg); % surf(X,Y,cg); axis([cmin,cmax,gmin,gmax,0,1]); xlabel('log2c','FontSize',12); ylabel('log2g','FontSize',12); zlabel('MSE','FontSize',12); firstline = 'SVR参数选择结果图(3D视图)[GridSearchMethod]'; secondline = ['Best c=',num2str(bestc),' g=',num2str(bestg), ... ' CVmse=',num2str(mse)]; title({firstline;secondline},'Fontsize',12); %%% % % <html> % <table align="center" > <tr> <td align="center">版权所有：<a % href="http://www.ilovematlab.cn/">Matlab中文论坛</a>   <script % src="http://s3.cnzz.com/stat.php?id=971931&web_id=971931&show=pic" language="JavaScript" ></script> </td> </tr></table> % </html> %

评论收藏

内容反馈