|本期目录/Table of Contents|

[1]胡　迪,黄　巍*.基于AP-SVM组合模型的股票价格预测[J].武汉工程大学学报,2019,(03):296-302.[doi:10. 3969/j. issn. 1674-2869. 2019. 03. 017]
　HU Di,HUANG Wei*.Stock Price Trend Prediction Based On AP-SVM Combined Model[J].Journal of Wuhan Institute of Technology,2019,(03):296-302.[doi:10. 3969/j. issn. 1674-2869. 2019. 03. 017]
点击复制

基于AP-SVM组合模型的股票价格预测(/HTML)
分享到：

《武汉工程大学学报》[ISSN:1674-2869/CN:42-1779/TQ]

卷:
期数:
2019年03期
页码:
296-302
栏目:
机电与信息工程
出版日期:
2019-06-20

文章信息/Info

Title:
Stock Price Trend Prediction Based On AP-SVM Combined Model
文章编号:
20190317
作者:
胡　迪1; 2; 黄　巍*1; 2
1. 武汉工程大学计算机科学与工程学院，湖北 武汉 430205；2. 智能机器人湖北省重点实验室（武汉工程大学），湖北 武汉 430205
Author(s):
HU Di1; 2;  HUANG Wei*1; 2
1. School of Computer Science and Engineering， Wuhan Institute of Technology， Wuhan 430205， China2. Hubei Key Laboratory of Intelligent Robot （Wuhan Institute of Technology）， Wuhan 430205， China
关键词:
股票价格预测; 近邻传播; 支持向量机; AP-SVM模型
Keywords:
stock price trend prediction;  affinity propagation;  support vector machine;  AP-SVM model
分类号:
TP391
DOI:
10. 3969/j. issn. 1674-2869. 2019. 03. 017
文献标志码:
A
摘要:
为了减小单支股票训练数据中的噪声对分类器性能的影响，提出了一个新的基于簇的股票价格涨跌预测方法（AP-SVM）。AP-SVM首先使用近邻传播（AP）算法挑选出与待预测股票价格变化相似度较高的其他股票，然后将待预测股票和与其价格变化相似的其他股票一起作为输入数据，训练一个支撑向量机（SVM）实现对待预测股票价格涨跌的预测。实验结果表明，当训练数据中存在噪声时，AP-SVM在预测准确率方面优于传统的SVM方法。
Abstract:
To overcome the performance degradation of the classifier due to the noise in individual stock price data， this paper proposes a novel cluster-based stock price trend prediction method （AP-SVM）. We first used the affinity propagation algorithm to select all the stocks with high similarity in the aspect of the price tendency to the predicted stock， and then used these stocks as the training data to fit a support vector machine （SVM）. The experimental results show that AP-SVM surpasses the traditional SVM method in predicting accuracy in the noisy training data.

参考文献/References:

［1］　彭丽芳， 孟志青， 姜华， 等. 基于时间序列的支持向量机在股票预测中的应用［J］. 计算技术与自动化， 2006， 25（3）：88-91. ［2］　金桃， 岳敏， 穆进超， 等. 基于SVM的多变量股市时间序列预测研究［J］. 计算机应用与软件， 2010， 27（6）：191-194. ［3］　程昌品， 陈强， 姜永生. 基于ARIMA-SVM组合模型的股票价格预测［J］. 计算机仿真，2012（6）：343-346. ［4］　李君昌， 樊重俊， 杨云鹏，等. 基于蒙特卡洛小波去噪的股票投资组合风险优化研究［J］. 计算机应用研究， 2018， 35（10）：73-77，154. ［5］　黄同愿， 陈芳芳. 基于SVM股票价格预测的核函数应用研究［J］. 重庆理工大学学报（自然科学）， 2016， 30（2）：89-94. ［6］　卢钰. 基于参数优化的支持向量机股票市场趋势预测［D］. 杭州 ：浙江工商大学， 2013. ［7］　孔伟， 张彦铎. 基于遗传算法的自主机器人避障方法研究［J］. 武汉工程大学学报， 2008，30（3）：110-113［8］　王曙燕， 杨悦， 孙家泽. 基于改进粒子群算法的变异体选择优化［J］. 计算机应用研究， 2017， 34（3）：752-755. ［9］　张贵生， 张信东. 基于近邻互信息的SVM-GARCH股票价格预测模型研究［J］. 中国管理科学， 2016， 24（9）：11-20. ［10］　李辉， 赵玉涵. 基于DFS-BPSO-SVM的股票趋势预测方法［J］. 软件导刊， 2017（12）：147-151.［11］　张伟， 李泓仪， 兰书梅， 等. GA-SVM对上证综指走势的预测研究［J］. 东北师大学报（自然科学版）， 2012， 44（1）：55-59. ［12］　胡蓉. 基于多输出支持向量回归算法的股市预测［J］. 云南民族大学学报（自然科学版），2007，16（3）：189-192. ［13］　曾岫， 彭宏， 曾振. 基于分形的股票聚类分析实证研究［J］. 计算机应用与软件， 2009， 26（7）：104-106. ［14］　柯冰， 钱省三. 聚类分析和因子分析在股票研究中的应用［J］. 上海理工大学学报， 2002， 24（4）：371-374. ［15］　吴微， 陈维强， 刘波. 用BP神经网络预测股票市场涨跌［J］. 大连理工大学学报， 2001， 41（1）：9-15. ［16］　张胜东， 童雄， 张翼，等. 基于BP人工神经网络的球磨机钢球配比预测模型［J］. 武汉工程大学学报， 2016， 38（3）：299-307. ［17］　刘玉兰， 刘小平， 邹艳妮. 改进的自适应权值核范数最小化去噪算法［J］. 计算机工程与设计， 2018， 39（1）：212-217. ［18］　彭舰， 孙海， 陈瑜，等. 基于马尔科夫链的轻轨乘客轨迹预测新算法［J］. 电子科技大学学报， 2018， 47（5）：82-87. ［19］　王爱平， 陶嗣干， 王占凤. BP神经网络在股票预测中的应用［J］. 微型机与应用， 2010， 29（6）：78-79.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期：2019-03-02作者简介：胡　迪，硕士研究生。E-mail：[email protected]*通信作者：黄　巍，博士，副教授。E-mail：[email protected]引文格式：胡迪，黄巍. 基于SVM的聚类股票涨跌预测［J］. 武汉工程大学学报，2019，41（3）：296-302.
更新日期/Last Update: 2019-06-19