如何使用智能支持向量機的回歸模型進行金融數(shù)據(jù)的預測

　　針對金融數(shù)據(jù)的非線性、時變性、隨機性、模糊性、不確定性等特點，提出一種嶄新的智能支持向量回歸模型，并且運用一種新型的遺傳算法優(yōu)選模型參數(shù)。實驗結果表明，所提出的智能支持向量回歸模型預測金融數(shù)據(jù)比BP神經(jīng)網(wǎng)絡模型預測精度高、速度快。

　　金融數(shù)據(jù)由于受政策、技術等多種因素的影響，普遍具有非線性、時變性、隨機性、模糊性、不確定性等特性。在計算經(jīng)濟學基礎上建立的大部分金融線性模型，雖然能夠比較直觀地解決問題，但是在解決實際問題時也會有很大的不足。其根本原因在于金融數(shù)據(jù)具有非線性特征，運用線性模型來預測肯定會有較大的誤差。所以，人們正在努力尋求高精度的預測工具進行金融數(shù)據(jù)建模。

　　為了更加精確地進行金融數(shù)據(jù)預測，本文提出一種嶄新的智能支持向量回歸模型進行金融數(shù)據(jù)預測。支持向量機于1995 年由Vapnik 等人正式提出，已經(jīng)成功地應用到回歸等問題。然而，到目前為止，支持向量回歸模型仍然沒有好的參數(shù)優(yōu)選方法。本文運用一種新型遺傳算法來進行支持向量回歸模型的參數(shù)優(yōu)選。該新型遺傳算法可以解決一般的遺傳算法所帶來的早熟問題和進化緩慢問題，具有較強的搜索能力，能夠?qū)ふ胰肿顑?yōu)解。因此，本文運用新型遺傳算法對支持向量回歸模型進行最優(yōu)參數(shù)設置，從而得到一種嶄新的智能支持向量回歸模型。最后，將所建立的智能支持向量回歸模型應用于金融數(shù)據(jù)預測，通過與BP 神經(jīng)網(wǎng)絡模型比較，得到本文所提出的模型預測精度比較高，是進行金融數(shù)據(jù)預測的一種有效方法。