摘 要

随着股票市场受到越来越多的关注，人们在不断寻求通过挖掘股票数据的内在规律提高对股市趋势预测的方法，以获得更稳定更高的投资收益。为了通过股票的历史数据预测股票的涨跌，本次毕业设计基于支持向量机（support vector machines, SVM），结合股票短期走势的潜在规律，研究股票的历史收市价涨跌趋势对未来收市价涨跌的影响，从数据清洗、算法建模和结果可视化等几个方面设计一个股票短期走势预测系统，为股票投资者提供投资建议，帮助投资者降低风险。

支持向量机是一种基于机器学习算法的监督学习模型，是借助最优化方法解决数据挖掘中若干问题的有力工具。在股票短期走势预测方面，支持向量机有很大的应用空间。本文对上证50指数的成份股部分股票的历史数据进行模型训练和趋势预测，研究支持向量机使用不同核函数、在不同特征向量维数下和使用不同惩罚参数进行模型训练对股票涨跌的预测有效性。本文基于支持向量机实现的股票短期走势预测系统可以通过导入包括收市价数据的excel文件获取数据，根据用户输入参数进行离散化和构造特征向量，通过指定的核函数进行模型训练并对测试集或用户输入进行预测，可视化显示预测结果。

实验结果表明，本文实现的系统在使用不同核函数的情况下，都对股票趋势有一定的预测作用，通过调整特征向量维数和惩罚参数，可以进一步提升预测准确率。并且在使用径向基核函数和综合核函数预测时，对股票投资者的指导作用更强。

关键词：支持向量机；股票趋势；预测

Abstract

With more and more attention being paid to the stock market, people are seeking ways to improve the prediction of the stock market trend by mining the inherent law of stock data, so as to obtain more stable and higher investment returns. In order to pass the stock of historical data to predict the stock movements, the graduation design based on support vector machine(SVM), combined with the potential regularity of stock short-term movements, study the influence of the historical closing price trend on the future closing price. And designing a stock short-term trend prediction system from several aspects of data cleaning, algorithm modeling and result visualization, to provide investment advice to stock investors and help investors reduce risks.

SVM is a supervised learning model based on machine learning algorithm. It is a powerful tool to solve some problems in data mining by means of optimization method. SVM has great application space in stock short-term trend prediction. In this paper, we conduct model training and trend prediction on the historical data of some stocks in the SSE 50 index, and study the effectiveness of SVM in predicting the rise and fall of stocks by using different kernel functions, different feature vector dimensions and different penalty parameters. The stock short-term trend prediction system based on SVM can obtain data by importing excel files including closing price data, discretize and construct feature vectors according to user input parameters, train models through specified kernel functions and test the test set or the inputs by the user, then visually displays the prediction results.

The experimental results show that the system completed in this paper can predict the stock trend to a certain extent when different kernel functions are used, and the prediction accuracy can be further improved by adjusting the dimension of the feature vector and the penalty parameters. In addition, when using radial basis kernel function and synthetic kernel function to predict, it has a stronger guiding effect on stock investors.

Key Words：SVM；stock trend；predict

目 录

第1章 绪 论 1

1.1 课题的研究背景与意义 1

1.2 文献综述 1

1.2.1 支持向量机发展 1

1.2.2 国内外研究现状 2

1.3 论文组织结构 3

第2章 基于SVM的股票短期走势预测方法 5

2.1 支持向量机 5

2.1.1 支持向量机原理 5

2.1.2 核函数介绍 6

2.2 算法细节 7

2.2.1 离散化 7

2.2.2 构建特征向量 8

2.2.3 SVM模型训练 8

第3章 实验结果分析 10

3.1 实验数据 10

3.2 准确度分析 10

3.3 惩罚参数c敏感性测试 13

第4章 系统设计和实现 15

4.1 系统环境 15

4.2 系统业务流程 15

4.3 数据库设计 17

4.4 系统功能实现 18

4.4.1 SSM框架搭建 18

4.4.2 模型训练 19

4.4.3 模型选择 20

4.4.4 数据预测 21

4.4.5 数据展示 23

4.5 系统测试 26

4.5.1 系统测试环境 26

4.5.2 功能测试 27

第5章 总结与展望 28

5.1 总结 28

5.2 展望 28

参考文献 30

致 谢 32

绪论

课题的研究背景与意义

随着我国股票市场的不断成熟和经济的不断发展，股票投资理念逐渐深入人心。作为一种高收益的投资方式，投资股票逐渐被越来越多的人了解和接受，但高风险的特点也让很多人望而却步。股票价格走势受大量外在因素影响，如公司的经营状况、证券市场运行状况、行业前景、宏观经济等。每个投资人对股市认知的差异性和技术分析的复杂性等也会导致对股票价格走势的判断出现偏差。通过已知的信息降低风险一直是投资者的目标，如何降低风险也一直是中外学者不断探索研究的方向。因此投资者和学者试图通过开盘价、最高价、收盘价、指数平滑异同平均线等指标挖掘有效隐藏信息并对股票价格作出预测。随着计算机技术及数据挖掘研究的不断深入，预测算法层出不穷，如何有效地挖掘各种技术指标隐藏的信息，并通过信息间的关系进行股市预测是一个很重要的研究方向。有效的预测算法对保证稳定的投资收益，降低错误投资造成的亏损是很有必要的，具有十分重要的现实意义。其中使用支持向量机对股市趋势做出预测，因为其是建立在结构风险最小化准则基础上的，在高维度和非线性问题解决中都体现了一定的优势，所以在股票预测方面受到很多关注。

在实际应用方面，支持向量机的应用非常广泛，涉及人脸识别、机器学习等多个领域，且在各领域中都能发挥很好的作用。支持向量机对各种不同类型的数据集都有不错的表现，在数据样本规模不是很大（如一段时间的股市技术指标）的情况下，支持向量机能生成不错的决定边界，完成对样本的分类。因此本文使用股票的历史收市价涨跌构成特征值，通过支持向量机研究未来短期收市价趋势，既有理论的支持，也有现实的意义。

文献综述

支持向量机发展

支持向量的概念，是在20世纪60年代被提出的，而早在20世纪初的Mercer定理^[1]提出以后，对核函数的研究也开始进行了。