２０１５年第８期 信息通信 ２０１５ （总第１５２期） ＩＮＦ０ＲＭＡＴＩｏＮ＆ＣＯＭ＾仉 ＩＩＣＡＴＩｏＮＳ （Ｓｕｍ．Ｎｏ １５２） 基于支持向量机的股票预测 刘廷 （山西师范大学经济与管理学院，山西临汾０４１０００） 摘要：支持向量机（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅＳＶＭ）作为一种可训练的机器学习方法，目前已广泛应用于股票预测中。文章 利用ｍａｔｌａｂ和支持向量机，结合股票前一段时间的走势数据，做出数据回归拟合，得到训练模型，然后根据训练模型对 未来的股票指数做出预测，对预测数据和原始数据做一些误差分析。 关键词：支持向量机；ｍａｔｌａｂ；泛化误差率；ＶＣ 中图分类号：Ｆ８３２．５１；ＴＰ１８ 文献标识码：Ａ 文章编号：１６７３．１１３１（２０１５）０８－００１５－０２ Ｓｔｏｃｋ Ｐｒｅｄｉｃｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ Ａｂｓｔｒａｃｔ：Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ＳＶＭ）ｈａｓ ｂｅｅｎ ｗｉｄｅｌｙ ｕｓｅｄ ａｓ ａ ｔｒａｉｎｉｎｇ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄｓ， ｓｔｏｃｋ ｐｒｅｄｉｃｔｉｏｎ．Ｕｓｉｎｇ Ｍａｔｌａｂ ａｎｄ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ，ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｔｈｅ ｒｔｅｎｄ ｄａｔａ ｏｆ ｓｔｏｃｋ ｓｏｍｅ ｔｉｍｅ ａｇｏ，ｔｏ ｍａｋｅ ｈｔｅ ｄａｔａ ｒｅｇｒｅｓｓｉｏｎ，ｔｏｂｅｔｒａｉｎｅｄｍｏｄｅｌ，ａｎｄｔｈｅｎｔｈｅｔｒａｉｎｅｄｍｏｄｅｌｔｏｐｒｅｄｉｃｔｆｕｔｕｒｅ ｓｔｏｃｋｉｎｄｅｘｆｏｒｅｃａｓｔｄａｔａ ａｎｄｌａｗ ｄａｔａｔｏ ｄｏ ｓｏｍｅ ｅｒｒｏｒａｎａｌｙｓｉｓ． Ｋｅｙｗｏｒｄｓ：Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ；Ｍａｔｌａｂ；Ｇｅｎｅｌａｌｉｚａｔｉｏｎ ｅｒｒｏｒ ｒａｔｅ；ＶＣ １股票预测模型设计 （２）选择适当的正数￡和Ｃ，选择适当的核函数ｋ（ｘ，）【Ｉ）； 相对于大盘指数，对于个股的研究如果能够取得一定的成 （３）构造并求解最优化问题： 果，将会对投资起到非常大的指导性作用。因此，本文的研究 噼 毫 ‘一 ‘一 ）｝ ， ）＋ ｌ ’＋ 卜 Ｉ 一 ）（１） 对象是我国股市中的个别股票（个股）。一般来说，每只股票， 它的某一天的收盘价，都与前一天的收盘价、前两天的收盘价、 ｓ．．ｔ∑ 一啦 ．Ｊ＝ｏ 前若干天的收盘价相差不大（除非前一天有分红、送股、配股、 除权、停牌等重大交易行情）。因此，可以认为：股票当天的收 ０ ， ‘ｓ詈， １，２，…，， 盘价，应是它的前一天、前两天、前若干天的收盘价的函数。故 得到最优解 ： ， ‘，…，＿， ‘） ； 有如下预测模型。 （４）构造决策函数： 算法Ｉ．Ｉ（￡一支持向量回归机，￡．ＳＶＲ） （１）设已知训练集 ＝ ， ， ・， ，）々））Ｅ ￣ｒｙ，其 厂 ）＝窆 ’一 ， ）＋ （２） 中 ∈ ＝Ｒ ，Ｙｌ∈Ｙ＝Ｒ，ｉ＝１，２，…，，； （２）式中 按下式计算：选择位于开区间【ｏ， Ｊ中的 或 （５）通过设置可以使协议转换器提供两种输出方式，一种 提高变电站数据共享应用，如图８所示。 为直接通过另一个串口用ＩＥＣ６０８７０－５－１０１协议输出，另一种 方式为通过网络口用ＩＥＣ６０８７０—５－１０４协议输出，输出方式根 据现场实际情况而定。 ３．４整体传输特点 整体传输特点如下： （１）变电站原综合自动化通信单元无需做任何修改，依旧 采取原来的一路通信串口和配置。 （２）增加多路通信协议转换器，将变电站ＣＤＴ规约远动 数据转换成一路ＣＤＴ规约和一路１０４规约数据，并分别从串 图８ ＡＶＣ共享协议转换器图 口和以太网口传输。 参考文献： （３）原有和县调度通信的网络系统不需要做任何更改，只 ［１】谭文恕．变电站自动化系统的结构和传输规约［Ｊ】．电网技 需按照原串口的通信波特率重新配置转换器对应串口。同时 术，１９９８，２２（９）：１－４ 根据传输需要还可重新调节串口传输的速率，主要和主站匹 ［２】黄益庄．变电站综合自动化技术［Ｍ】．北京：中国电力出版 配即可。 社，２０００． （４）和地调通信的另外一路数据通过协议转换器转成１０４ ［３】孙军平，盛万兴，王孙安，等．远动信息网络传输方法［Ｊ】．电网 规约后，即可方便地通过调度数据网进行传输。此时需要配 技术，２００２，２６（１０）：４－８ 置好该路以太网口的通信站点地址及端口号，一般选２４０４。 （５）还可以利用协议转换原理将变电站ＣＤＴ数据转换给 作者简介：郭勇（１９７６－），男，江西九江人，工程师，主要从事电 站内ＡＶＣ等智能自动化装置，大大简化变电站的硬件布线， 网自动化工作。 １５ 信息通信 ’刘廷：基于支持向量机的股票预测 预测方法的主要思想：本方法的主要思想是利用ＳＶＭ ，若选择的是 ’，则： ｂ＝Ｙｌ一∑ｔ －．一 －， ）＋￡ （３） 回归，将所要预测的属性列作为因变量，其余的数据列作 为白变量，然后使用ＳＶＭ工具箱进行模型训练，然后在此 训练模型下进行已知属性列的预测，回归，这样可以在已 知某天的其他属性列的情况下，对所需属性列进行预测， 回归。 ｉ＝１ 若选择的是 ’，则 ＝ 一∑ ‘一 ）．ｉ｝ ， ）一 （４） ｔ＝ｌ 假设股票价格 ，Ｘｔ． 一，Ｘｔ－，ｎ分别表示第ｔ天、第扣ｌ天、… 、第ｔ－ｍ天的收盘价。对于参数ｍ的确定，可以采用最终误差 预报准则评价模型的预测误差，以当误差最小时来确定ｍ。经 过查阅资料，确定ｍ＝５。 令输入为ｘ＝ ＿ｌ， ＿２，… 一５ ；输出为ｙ＝ｘ ：取１个连续 的样本构成训练集Ｔ＝ ， ）’ ， ）’…， ， ）】∈ ×】ｒｙ，其 中 ∈Ｘ＝ ， ∈Ｙ＝Ｒ，ｉ＝１，２，…，，需找到ｙ＝ｆ（ ）的关系，以 便预测 Ｚ＋１，Ｉ＋２，…， 时的Ｙ，其中ｎ是预测长度。易 知这是一个典型的非线性回归问题，可调用算法１．１求解。 注意到，算出，（ ）后，可把Ｘ＝ ，ｘｌ ，…，Ｘｌ一． 。代入，（ ），求得 夕＝， ）＝ｘ１￣，，即此时的 就是第ｆ＋１天的预测值。同理，令 ＝ 小 ，…，ｘｔ， ，代入，（ ），可得夕＝， ）＝ 依此类 推，不难求得 ＋４， ５，…， 。 令ｌ＝１２０，ｎ＝２０，算法１．１中的ｃ＝２０，ｅ＝Ｏ．１，核函数取径向 基核函数，随机选取１只股票，对它们的收盘价进行了预测， 并绘制了股票价格曲线，如图１。 薹一， ｏ Ｏ 图１申能股份股票预测图 图ｌ中，实线是实际值，虚线是预测值。从图２看，申能 股份的预测效果较为理想，预测曲线清楚地指示该股短期内 正处于下跌状态。 总之，当所预测的个股在未来若干天的价格平稳上升或 下降时，本文的方法预测效果较好，表明该方法对于这一类 股票有很高的投资价值；而当个股的价格在某些天突然快速 上升或下降时，预测曲线往往不能跟上这个上升或下降的速 度，影响了其正确性。但是，该方法还是能够描绘出实际股 票价格的大体走势如果能够描绘出未来若干天股票价格的 走势或者说是股票价格曲线的大致形状，那么即使预测出的 股票价格与实际股票价格有一定的出入，对于投资者来说也 会有很大的指导意义。从这个意义上来说，本文的个股预测 方法是可行的。 ２基于ＳＶＭ工具箱的股票预测方法 本文利用ＳＶＭ建立的回归训练模型对每日上证指数进 行回归拟合，然后利用此训练模型进行每日收盘数的回归预 测，使得在股票预测方面具有实用价值。 １６ 愿蚰数据和圊归预删蜮舞对比 Ｉ—日一藤蛐撤 １ ・． ．１—・ｒ一嚼Ｉ茸飘潮觳掘Ｉ ｜｝ 嘲 ＿ ． ’ ￡ 誉 枣 缸 … －奠・而日 毛Ｉ瞳Ｃ２Ｏ１２Ｏｌ ０４，．２０１２ ０５２ａ） 图２原始数据与预测回归数据之间对比 图２表示训练模型原始数据与预测回归数据之间的对比， 所得结果如下表１所示： 表１原始数据与预测回归数据之间的对比 ８ｖＭ’教 打印方式 Ｃ ｇ ｈ岱幢 打印粗略 选｜摹鳍果 ２５６ 饥Ｏ弦５ Ｏ伽ｌｌ７７３７８ 打印糟细 选舞结集 １６ ｏ．１７６７７７ ｎｏｌ研８５Ｓ 由表１可看出ＳＶＭ回归的各个参数值，同时误差量ｅｒｒｏｒ ＝０．００１９４１３７，相关系数Ｒ＝９８．９６８％，ＳＶＭ回归效果很好。 测试模型的运行结果： 十露艚数据Ｉ ． —・ 一翻归霸嗣教摄ｌ ｋ、～ —三 一 ．。 ＼＼ 文易Ｈ天数 图３预测结果和真实结果对比 其预测结果和真实结果对比如表２示： 表２真实值和预测值对比 戢 来来第一茏 泰来第＿＝最 泰襄｜Ｉ三天 束采集网天 束来第五天 藏啦身式 嗣试冀赛值 箱霉！’Ｊ譬‘ ２蛐４ Ｓ７ ７２．３ ２３７３．４４ ２３憾５５ 蔫试穗蠢健 ２３９３ｌ８ ２３８４．８ ２３７５ 瑚＿６ ∞ｌ２－２ 由表２中的真实值和预测值可看出ＳＶＭ的回归预测效 果好不错，其误差ｅｒｒｏｒ＝０．００１８８０７２，不到０．２％，相关系数Ｒ ＝９８．９６０％，因此我们可以根据某些天的其他属性，很快地预 测到所需属性的值。
