MATLAB神经网络43个案例分析 基于SVM的信息粒化时序回归预测-上证指数开盘指数变化趋势和变化空间预测.zip

%% Matlab神经网络43个案例分析 % 基于SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测 % by 李洋(faruto) % http://www.matlabsky.com % Email:faruto@163.com % http://weibo.com/faruto % http://blog.sina.com.cn/faruto % 2013.01.01 %% 清空环境变量 function chapter_FIGsh tic; close all; clear; clc; format compact; %% 原始数据的提取 % 载入测试数据上证指数(1990.12.19-2009.08.19) % 数据是一个4579*6的double型的矩阵,每一行表示每一天的上证指数 % 6列分别表示当天上证指数的开盘指数,指数最高值,指数最低值,收盘指数,当日交易量,当日交易额. load chapter_sh.mat; % 提取数据 ts = sh_open; time = length(ts); % 画出原始上证指数的每日开盘数 figure; plot(ts,'LineWidth',2); title('上证指数的每日开盘数(1990.12.20-2009.08.19)','FontSize',12); xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12); ylabel('开盘数','FontSize',12); grid on; % print -dtiff -r600 original; snapnow; %% 对原始数据进行模糊信息粒化 win_num = floor(time/5); tsx = 1:win_num; tsx = tsx'; [Low,R,Up]=FIG_D(ts','triangle',win_num); % 模糊信息粒化可视化图 figure; hold on; plot(Low,'b+'); plot(R,'r*'); plot(Up,'gx'); hold off; legend('Low','R','Up',2); title('模糊信息粒化可视化图','FontSize',12); xlabel('粒化窗口数目','FontSize',12); ylabel('粒化值','FontSize',12); grid on; % print -dtiff -r600 FIGpic; snapnow; %% 利用SVM对Low进行回归预测 % 数据预处理,将Low进行归一化处理 % mapminmax为matlab自带的映射函数 [low,low_ps] = mapminmax(Low); low_ps.ymin = 100; low_ps.ymax = 500; % 对Low进行归一化 [low,low_ps] = mapminmax(Low,low_ps); % 画出Low归一化后的图像 figure; plot(low,'b+'); title('Low归一化后的图像','FontSize',12); xlabel('粒化窗口数目','FontSize',12); ylabel('归一化后的粒化值','FontSize',12); grid on; % print -dtiff -r600 lowscale; % 对low进行转置,以符合libsvm工具箱的数据格式要求 low = low'; snapnow; % 选择回归预测分析中最佳的SVM参数c&g % 首先进行粗略选择 [bestmse,bestc,bestg] = SVMcgForRegress(low,tsx,-10,10,-10,10,3,1,1,0.1,1); % 打印粗略选择结果 disp('打印粗略选择结果'); str = sprintf( 'SVM parameters for Low:Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg); disp(str); % 根据粗略选择的结果图再进行精细选择 [bestmse,bestc,bestg] = SVMcgForRegress(low,tsx,-4,8,-10,10,3,0.5,0.5,0.05,1); % 打印精细选择结果 disp('打印精细选择结果'); str = sprintf( 'SVM parameters for Low:Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg); disp(str); % 训练SVM cmd = ['-c ', num2str(bestc), ' -g ', num2str(bestg) , ' -s 3 -p 0.1']; low_model = svmtrain(low, tsx, cmd); % 预测 [low_predict,low_mse] = svmpredict(low,tsx,low_model); low_predict = mapminmax('reverse',low_predict,low_ps); predict_low = svmpredict(1,win_num+1,low_model); predict_low = mapminmax('reverse',predict_low,low_ps); predict_low %% 对于Low的回归预测结果分析 figure; hold on; plot(Low,'b+'); plot(low_predict,'r*'); legend('original low','predict low',2); title('original vs predict','FontSize',12); xlabel('粒化窗口数目','FontSize',12); ylabel('粒化值','FontSize',12); grid on; % print -dtiff -r600 lowresult; figure; error = low_predict - Low'; plot(error,'ro'); title('误差(predicted data-original data)','FontSize',12); xlabel('粒化窗口数目','FontSize',12); ylabel('误差量','FontSize',12); grid on; % print -dtiff -r600 lowresulterror; % snapnow; %% 利用SVM对R进行回归预测 % 数据预处理,将R进行归一化处理 % mapminmax为matlab自带的映射函数 [r,r_ps] = mapminmax(R); r_ps.ymin = 100; r_ps.ymax = 500; % 对R进行归一化 [r,r_ps] = mapminmax(R,r_ps); % 画出R归一化后的图像 figure; plot(r,'r*'); title('r归一化后的图像','FontSize',12); grid on; % 对R进行转置,以符合libsvm工具箱的数据格式要求 r = r'; % snapnow; % 选择回归预测分析中最佳的SVM参数c&g % 首先进行粗略选择 [bestmse,bestc,bestg] = SVMcgForRegress(r,tsx,-10,10,-10,10,3,1,1,0.1); % 打印粗略选择结果 disp('打印粗略选择结果'); str = sprintf( 'SVM parameters for R:Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg); disp(str); % 根据粗略选择的结果图再进行精细选择 [bestmse,bestc,bestg] = SVMcgForRegress(r,tsx,-4,8,-10,10,3,0.5,0.5,0.05); % 打印精细选择结果 disp('打印精细选择结果'); str = sprintf( 'SVM parameters for R:Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg); disp(str); % 训练SVM cmd = ['-c ', num2str(bestc), ' -g ', num2str(bestg) , ' -s 3 -p 0.1']; r_model = svmtrain(r, tsx, cmd); % 预测 [r_predict,r_mse] = svmpredict(r,tsx,low_model); r_predict = mapminmax('reverse',r_predict,r_ps); predict_r = svmpredict(1,win_num+1,r_model); predict_r = mapminmax('reverse',predict_r,r_ps); predict_r %% 对于R的回归预测结果分析 figure; hold on; plot(R,'b+'); plot(r_predict,'r*'); legend('original r','predict r',2); title('original vs predict','FontSize',12); grid on; figure; error = r_predict - R'; plot(error,'ro'); title('误差(predicted data-original data)','FontSize',12); grid on; % snapnow; %% 利用SVM对Up进行回归预测 % 数据预处理,将up进行归一化处理 % mapminmax为matlab自带的映射函数 [up,up_ps] = mapminmax(Up); up_ps.ymin = 100; up_ps.ymax = 500; % 对Up进行归一化 [up,up_ps] = mapminmax(Up,up_ps); % 画出Up归一化后的图像 figure; plot(up,'gx'); title('Up归一化后的图像','FontSize',12); grid on; % 对up进行转置,以符合libsvm工具箱的数据格式要求 up = up'; snapnow; % 选择回归预测分析中最佳的SVM参数c&g % 首先进行粗略选择 [bestmse,bestc,bestg] = SVMcgForRegress(up,tsx,-10,10,-10,10,3,1,1,0.5); % 打印粗略选择结果 disp('打印粗略选择结果'); str = sprintf( 'SVM parameters for Up:Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg); disp(str); % 根据粗略选择的结果图再进行精细选择 [bestmse,bestc,bestg] = SVMcgForRegress(up,tsx,-4,8,-10,10,3,0.5,0.5,0.2); % 打印精细选择结果 disp('打印精细选择结果'); str = sprintf( 'SVM parameters for Up:Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg); disp(str); % 训练SVM cmd = ['-c ', num2str(bestc), ' -g ', num2str(bestg) , ' -s 3 -p 0.1']; up_model = svmtrain(up, tsx, cmd); % 预测 [up_predict,up_mse] = svmpredict(up,tsx,up_model); up_predict = mapminmax('reverse',up_predict,up_ps); predict_up = svmpredict(1,win_num+1,up_model); predict_up = mapminmax('reverse',predict_up,up_ps); predict_up %% 对于Up的回归预测结果分析 figure; hold on; plot(Up,'b+'); plot(up_predict,'r*'); legend('original up','predict up',2); title('original vs predict','FontSize',12); grid on; figure; error = up_predict - Up'; plot(error,'ro'); title('误差(predicted data-original data)','FontSize',12); grid on; toc; % snapnow; %% 子函数 SVMcgForRegress.m function [mse,bestc,bestg] = SVMcgForRegress(train_label,train,cmin,cmax,gmin,gmax,v,cstep,gstep,msestep,flag) % SVMcgForClass % 输入: % train_label:训练集标签.要求与libsvm工具箱中要求一致. % train:训练集.要求与libsvm工具箱中要求一致. % cmin:惩罚参数c的变化范围的最小值(取以2为底的对数后),即 c_min = 2^(cmin).默认为 -5 % cmax:惩罚参数c的变化范围的最大值(取以2为底的对数后),即 c_max = 2^(cmax).默认为 5 % gmin:参数g的变化范围的最小值(取以2为底的对数后),即 g_min = 2^(gmin).默认为 -5 % gmax:参数g的变化范围的最小值(取以2为底的对数后),即 g_min = 2^(gmax).默认为 5 % v:cross validation的参数,即给测试集分为几部分进行cross validation.默认为 3 % cstep:参数c步进的大小.默认为 1 % gstep:参数g步进的大小.默认为 1 % msestep:最后显示MSE图时的步进大小.默认为 20 % 输出: % bestacc:Cross Validation 过程中的最高分类准确率 % bestc:最佳的参数c % bestg:最佳的参数g % about the parameters of SVMcgForRegress if nargin < 11 flag = 0; end if nargin < 10 msestep = 0.1; end if nargin < 7 msestep = 0.1; v = 3; cstep = 1; gstep = 1; end if nargin < 6 msestep = 0.1; v = 3; cstep = 1; gstep = 1; gmax = 5; end if nargin < 5 msestep = 0.1; v = 3; cstep = 1; gstep = 1; gmax = 5;