算法源码-预测与预报：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

版权申诉

69 浏览量 2023-06-06 15:09:36 上传评论收藏 187KB ZIP 举报

在本项目中，我们主要探讨的是使用支持向量机（SVM）神经网络进行上证开盘指数的预测回归分析。这种技术是机器学习领域的一种重要方法，尤其在预测建模和时间序列分析中广泛应用。我们需要理解SVM的基本概念。支持向量机（Support Vector Machine，SVM）是一种监督学习模型，它通过找到一个最优超平面来分类数据。这个超平面是距离各个类别最近的数据点（称为支持向量）的最大间隔。在回归任务中，SVM被扩展为支持向量回归（SVR），其目标是找到一个能够最小化预测值与真实值之间差距的函数。上证开盘指数预测是金融领域的一个关键问题，因为它可以帮助投资者做出决策。指数预测通常涉及时间序列分析，其中历史数据用于预测未来的趋势。在这种情况下，SVM的优势在于它可以处理非线性关系，并且对于小样本数据有很好的表现。项目中可能包含以下关键部分： 1. 数据预处理：需要收集上证指数的历史数据，包括开盘价、收盘价、最高价、最低价等。数据可能需要清洗、填充缺失值、去除异常值，以及进行标准化或归一化处理，以便更好地适应SVM模型。 2. 特征工程：选择或构建有助于预测的特征，如指数的移动平均、趋势指标、波动率等。这一步对于提高模型的预测能力至关重要。 3. 模型构建：使用SVM进行回归建模，选择合适的核函数（如线性、多项式或高斯核），并调整正则化参数C和核函数的参数γ。训练模型时可能采用交叉验证来防止过拟合。 4. 模型评估：使用诸如均方误差（MSE）、平均绝对误差（MAE）和决定系数（R²）等指标评估模型的预测性能。这些指标可以帮助我们了解模型的预测准确性和稳定性。 5. 结果可视化：通过绘制实际值与预测值的对比图，直观展示模型的效果。 6. 预测：用训练好的模型对未来上证开盘指数进行预测，为投资决策提供参考。这个项目的源码会详细展示以上步骤的实现过程，包括数据处理、模型构建、训练和预测等环节。通过阅读和理解源码，可以深入学习SVM在实际问题中的应用，以及如何在金融领域进行时间序列预测。对于想要提升机器学习技能，尤其是对金融数据分析感兴趣的开发者来说，这是一个非常有价值的资源。

资源推荐

资源详情

资源评论

收起资源包目录

算法源码-预测与预报：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）

基于SVM神经网络的上证开盘指数预测回归预测分析代码

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

版权申诉