English
SVM for prediction of futures prices in Indian Stock Market.pdf
文件大小：
702k
资源说明：Das, S. P. , & Padhy, S. (2012). Support vector machines for prediction of futures prices in indian stock market. International Journal of Computer Applications, 41 (3), 22–26 .
在金融市场中，准确预测金融工具的价格对于投资者做出明智且风险最小的投资决策至关重要。鉴于金融时间序列数据的复杂性，这些数据受到经济、政治等多种因素的影响，机器学习和软计算技术在过去的二十年间被广泛用于金融时间序列的预测任务。本文"Support Vector Machines for Prediction of Futures Prices in Indian Stock Market"由Das和Padhy于2012年发表在《国际计算机应用期刊》上，探讨了使用支持向量机（SVM）技术来预测印度股票市场的期货价格，并将其与反向传播神经网络（BPNN）进行比较。
作者首先介绍了金融时间序列预测的重要性，特别是考虑到市场波动性和不确定性，以及预测精度对投资决策的直接影响。由于金融市场的非线性特性，反向传播神经网络（BPNN）曾被广泛采用，因为其具有简单的架构设计和强大的问题解决能力。然而，BPNN存在一些缺点，例如控制参数多，容易陷入局部最优，训练过程可能不稳定，以及对过拟合敏感。
文章接下来探讨了支持向量机（SVM）作为一种替代方法。SVM是一种监督学习模型，特别适用于处理小样本和高维数据，它的核心思想是找到一个最佳超平面来分割数据，能有效地处理非线性关系。SVM通过构造核函数将原始数据映射到高维空间，使得原本在低维空间难以分隔的数据在高维空间中变得可分。这使得SVM在处理复杂数据模式和非线性问题时表现优秀，对于金融时间序列预测可能更为适用。
在实验部分，Das和Padhy使用MATLAB和SVM工具箱（LS-SVM Tool Box）实现并比较了BPNN和SVM在预测印度股票市场期货价格上的性能。结果显示，SVM在预测准确性、稳定性和泛化能力方面优于BPNN。这表明，SVM在处理印度股票市场的期货价格预测时表现出更好的效果。
该研究强调了SVM在金融时间序列预测中的优势，特别是在处理印度股票市场期货价格时。这为投资者提供了更精确的预测工具，有助于降低投资风险并优化决策。此外，这项工作也暗示了在其他地区或市场，SVM可能同样适用于金融时间序列的预测任务，为未来的研究提供了有价值的参考。关键词包括：机器学习、预测、反向传播神经网络（BPN）、支持向量机（SVM）、期货合约、金融时间序列。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
