学海网

硕士学位论文 基于支持向量机的美元指数预测研究，共59页。
摘要
美元自量化宽松后走势模糊,一直在多空之间震荡;我国的外汇储备逐年上升,对外贸易、对外投资与吸引外资投资量处于上升周期,经济发展和美元强弱联系密切。因此,研究美元指数的预测方法对于国家、金融机构和个人都具有重要的现实意义。
本文主要通过支持向量机模型对美元指数进行预测研究。本文以汇率决定理论为基础,筛选出影响美元指数的合适指标,建立指标体系.本文分别用三种不同的变量降维方法对数据进行预处理,并选择出最好的变量降维方法;再用三种不同的参数优化方法对模型进行优化,并选择出最好的优化方法,将两种方法结合,构建出一个优化后的支持向量机模型,完成对短期内美元指数的预测。在实证部分,本文分别使用粒子群优化算法(简称PSO)、遗传算法(简称GA)和网格遍历法(简称GRID)进行了参数优化,并比较了预测结果,发现遗传算法的优化效果最佳,平均误差率只有0.393556%,最低误差率达到了 0.004165%,均方差也只有0.21761;之后分别用因子分析(FA)、粗糙集方法(RS)和主成分分析(PCA)对变量进行降维,得出在该特定问题上因子分析的变量降维效果最好的结论。最后,为了证明本文所建立的.FA-GA支持向量机模型的有效性,本文还用BP神经网络模型和未进行变量降维的普通支持向量机模型对相同的数据进行了预测,预测结果发现还是优化后的支持向量机的预测结果最好,这一方面证明了本文建立指标的可行性和模型的优越性,另一方面证明了对数据进行变量降维能大大提高支持向量机的运算速度和准确率。
关键词:美元指数,支持向量机,变量降维

目录
致谢 I
Abstract HI
1.1隨的提要 1
1.2研究目的和意义 2
1.3研究内容与方法 2
1.4本文的创新点 4
1.5本文结构 5
2.1支持向量机的国内外研究现状 6
2.2美元指数的研究 9
2.3国内外对汇率预测的研究 10
2.4研究现状评述 13
3理论分析与模型构建 15
3.1因子分析法 15
3.2支持向量机回归算法 15
3.3支持向量机的参数选择方法 17
3.4指标体系的构建 21
3.4.1汇率决定理论分析 21
3.4.2指标选择 23
3.5模型的流程与模型精度评价指标 25
4.1预测对象的分析 27
4.2数据来源与数据预处理 27
4.3描述性统计
4.4因子分析模型
4.5 SVM参数寻优
4.6 SVM回归预测
4.7与主成分约简和粗糙集约简结果的比较.
4.8与BP神经网络和普通SVM模型的比较
4.8.1 BP神经网络预测模型
4.8.2 普通 SVM
4.8.3结果比较
4.9本章小结
结论城望
5.1本文结论
5.2本文的不足之处
5.3展望
参考文献