基于Boruta-PSO-SVM的股票收益率研究

郭海山; 高波涌; 陆慧娟

doi:10.13873/j.1000-9787(2018)03-0051-03

Chinese

您当前的位置：

首页 >

文章列表页 >

基于Boruta-PSO-SVM的股票收益率研究

研究与探讨 | 更新时间：2025-09-11

- 基于Boruta-PSO-SVM的股票收益率研究
- Research on stock yield based on Boruta-PSO-SVM
- 传感器与微系统 2018年37卷第3期页码：51-53+57
- 作者机构：
  
  中国计量大学信息工程学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目（61272315）;国家安全总局项目（ZHEJIANG—0006—2014AQ）
- DOI：10.13873/j.1000-9787(2018)03-0051-03
  中图分类号： F832.51;TP18
- 纸质出版：2018
- 稿件说明：
移动端阅览
[1]郭海山,高波涌,陆慧娟.基于Boruta-PSO-SVM的股票收益率研究[J].传感器与微系统,2018,37(03):51-53+57.

GUO Hai-shan, GAO Bo-yong, LU Hui-juan. Research on stock yield based on Boruta-PSO-SVM[J]. 2018, 37(3): 51-53+57.
[1]郭海山,高波涌,陆慧娟.基于Boruta-PSO-SVM的股票收益率研究[J].传感器与微系统,2018,37(03):51-53+57. DOI： 10.13873/j.1000-9787(2018)03-0051-03.

GUO Hai-shan, GAO Bo-yong, LU Hui-juan. Research on stock yield based on Boruta-PSO-SVM[J]. 2018, 37(3): 51-53+57. DOI： 10.13873/j.1000-9787(2018)03-0051-03.

摘要

针对股票收益率的分类预测研究中支持向量机（SVM）存在的参数选择困难以及分类性能较差的问题

提出了一种基于特征选择（Boruta算法）和粒子群优化（PSO）算法SVM的新算法。通过Boruta算法对训练集进行特征选择

剔除无价值的特征以降低输入维度

同时引入PSO算法优化SVM核函数参数

从而提高SVM的分类性能。实验结果表明:相比决策树、神经网络及极限学习机算法

新算法取得了更高的分类精度

可以有效提高股票收益率的分类预测性能。

Abstract

Research of stock yield has high reference value for stock investors. Aiming at the exiting parameters selection difficulties of support vector machines（SVM） and poor classification performance problems

an improved Boruta-particle swarm optimization（PSO）-SVM algorithm is put forward based on feature selection and PSO.Feature selection for training set to reduce input dimensions through Boruta algorithm. PSO is used to optimize the kernel function parameters of SVM

so as to improve the classification performance of SVM. Experimental results show that compare with decision tree

neural network

extreme learning machine algorithm

the new algorithm has higher classification precision

it can improve performance of classification prediction of stock yield.

关键词

Keywords

references

基于粒子群优化算法的水质传感器优化部署研究 [J]. 余幸运,孙茜,王小艺,许继平,王立,张慧妍. 传感器与微系统 . 2016(12)

超像素词包模型与SVM分类的图像标注 [J]. 於敏,于凤芹,陈莹. 传感器与微系统 . 2016(12)

基于SVM修正的模糊时间序列模型在沪指预测中的应用 [J]. 李小琳,孙玥,刘洋. 中国科学技术大学学报 . 2016(03)

基于PSO优化LS-SVM的木材含水率软测量建模 [J]. 姜滨,孙丽萍,曹军,季仲致. 重庆大学学报 . 2016(01)

基于熵和PSO优化SVM的肌电信号跌倒识别 [J]. 武昊,席旭刚,罗志增. 传感技术学报 . 2015(11)

基于SVM-RFE-BPSO算法的特征选择方法 [J]. 林俊,许露,刘龙. 小型微型计算机系统 . 2015(08)

多变量PSO-SVM模型预测滑坡地下水位 [J]. 黄发明,殷坤龙,张桂荣,唐志政,张俊. 浙江大学学报(工学版) . 2015(06)

基于粒子群优化-支持向量机方法的下肢肌电信号步态识别 [J]. 高发荣,王佳佳,席旭刚,佘青山,罗志增. 电子与信息学报 . 2015(05)

基于粒子群优化算法的支持向量机研究 [J]. 谷文成,柴宝仁,滕艳平. 北京理工大学学报 . 2014(07)

一种基于支持向量机的特征选择算法 [J]. 代琨,于宏毅,李青. 模式识别与人工智能 . 2014(05)

基于递归特征消除法的蛋白质能量热点预测 [J]. 魏小敏,徐彬,关佶红. 山东大学学报(工学版) . 2014(02)

基于小波和支持向量机的光纤微振动传感器模式识别 [J]. 李彦,梁正桃,李立京,林文台,姜漫. 传感器与微系统 . 2013(02)

GA-SVM对上证综指走势的预测研究 [J]. 张伟,李泓仪,兰书梅,张洁. 东北师大学报(自然科学版) . 2012(01)

PCA-GA-SVM模型的构建及应用研究——沪深300指数预测精度实证分析 [J]. 徐国祥,杨振建. 数量经济技术经济研究 . 2011(02)

基于支持向量机的股票投资价值分类模型研究 [J]. 李云飞,惠晓峰. 中国软科学 . 2008(01)

基于时间序列的支持向量机在股票预测中的应用 [J]. 彭丽芳,孟志青,姜华,田密. 计算技术与自动化 . 2006(03)

A hybrid ARIMA and support vector machines model in stock price forecasting [J] . Ping-Feng Pai,Chih-Sheng Lin. Omega . 2004 (6)

浏览量

281

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于SSA的农牧区电能路由器优化调度算法研究

基于GSA-SVM的谱仪放大器故障诊断研究

基于柔性压力传感器的睡姿识别方法研究

基于多通道输入CNN-SVM的齿轮箱故障诊断

基于PSO-SVM的电流放大器故障诊断研究