1、支持向量機是以統(tǒng)計學習理論為基礎,建立在VC維和結構風險最小化原則之上的一種人工智能方法。它在多數(shù)情況下可以克服“維數(shù)災難”和局部極小等傳統(tǒng)困難,因此擁有很強的泛化能力。該技術現(xiàn)已成為機器學習的研究熱點,并在模式識別、圖像分類等很多領域得到了成功應用。目前支持向量機主要應用于解決分類和回歸問題,很少用于時間序列預測。
　　 時間序列預測是指通過有限的歷史樣本建立模型,利用模型解釋數(shù)據(jù)的統(tǒng)計學規(guī)律以達到控制和預報的目的。預報只是預

2、測的一個方面,而預測一個最重要的功能就是把未來不確定的風險轉化為可測算風險。盡管不確定性未知,但風險卻可以通過概率分布的統(tǒng)計來度量,比如經(jīng)驗風險、結構風險和各種損失函數(shù)等。預測的誤差是不可避免的,預測者所能夠做的就是盡可能的找到更出色的預測技術來不斷降低預測的誤差,從而使投資人的目標函數(shù)盡可能的利益最大化同時風險最小。近年來,對金融工程研究已成為一大熱點,人們將神經(jīng)網(wǎng)絡、混沌理論、遺傳算法以及系統(tǒng)理論和當代應用數(shù)學研究的最新進展等眾多理

3、論與方法應用于金融時間序列預測。本文將最小二乘支持向量算法與時間序列模型相結合應用于金融領域的預測,以期得到更好的推廣。
　　 文章緒論部分介紹了課題提出的背景和現(xiàn)狀,預測的分類和發(fā)展以及本論文的主要內(nèi)容和組織結構。第二章介紹詳細介紹了支持向量回歸理論,是第四章金融時間序列預測的理論基礎。第三章介紹了時間序列模型用于預測的經(jīng)驗方法和多用于金融數(shù)據(jù)預測的條件異方差模型,是第四章實驗的模型基礎。第四章主要針對我國證券指數(shù)、股指期貨合