MATLAB-PSO参数寻优-SVM-以上证指数预测为例.rar_PSO_PSOSVM预测_PSO参数寻优_SVM预测matl

共1个文件

txt：1个

版权申诉

77 浏览量 2022-09-25 00:27:20 上传评论收藏 5KB RAR 举报

标题中的“MATLAB-PSO参数寻优-SVM-以上证指数预测为例”指的是一个使用MATLAB编程环境，结合粒子群优化（PSO）算法进行支持向量机（SVM）模型参数调优，并应用于上证指数预测的研究案例。这个项目可能涉及到以下几个核心知识点： 1. **粒子群优化（PSO）**：PSO是一种基于群体智能的全局优化算法，通过模拟鸟群寻找食物的过程来寻找问题的最优解。在本案例中，PSO用于调整SVM模型的参数，如C（惩罚因子）和γ（核函数参数），以达到最佳预测性能。 2. **支持向量机（SVM）**：SVM是一种监督学习模型，常用于分类和回归分析。它的基本思想是找到一个超平面，使得两类样本之间的间隔最大。在金融时间序列预测中，SVM因其优秀的非线性拟合能力和泛化能力而被广泛应用。 3. **参数调优**：在机器学习模型中，参数选择对模型性能至关重要。PSO的优势在于可以全局搜索最优参数组合，避免陷入局部最优，从而提高模型的预测精度。 4. **上证指数预测**：上证指数是反映中国股票市场总体走势的重要指标。利用SVM和PSO进行预测，可以帮助投资者了解未来市场趋势，制定投资策略。 5. **MATLAB编程**：MATLAB是一种强大的数值计算和数据可视化工具，具有丰富的数学函数库和图形用户界面，是实现上述算法的理想平台。 6. **文本文件MATLAB-PSO参数寻优-SVM-以上证指数预测为例.txt**：这个文本文件可能包含了项目代码、研究方法、实验结果或数据分析，详细解释了如何使用MATLAB实现PSO-SVM模型，并应用于上证指数的预测。在这个项目中，首先需要收集上证指数的历史数据，然后预处理数据，包括数据清洗、标准化等步骤。接着，用PSO算法寻找SVM的最佳参数组合，训练模型，并进行交叉验证以评估模型性能。利用调优后的SVM模型对未来的上证指数进行预测，并对比实际值，分析预测误差，以此验证模型的准确性和稳定性。通过这个案例，我们可以深入理解PSO算法如何帮助优化复杂模型的参数，以及如何将优化后的SVM模型应用于实际的金融问题中。同时，这也为其他类型的时间序列预测提供了参考和借鉴。

资源详情

资源评论

资源推荐

收起资源包目录

MATLAB-PSO参数寻优-SVM-以上证指数预测为例.rar （1个子文件）

MATLAB-PSO参数寻优-SVM-以上证指数预测为例.txt 11KB

function psoSVMcpForRegress; %psoSVMcgpForRegress; %chapter_sh tic; close all; clear; clc; format compact; %% 数据的提取和预处理 % 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 %[m,n] = size(sh); %ts = sh(2:m,1); %tsx = sh(1:m-1,:); %ts = sh(2:m-100,1); %tsx = sh(1:m-101,:); %fs = sh(m-99:m,1); %fsx = sh(m-100:m-1,:); ts = [445;507;434;443;503;687;678;811;707;652;608;594;591;699;722;788;783;780;781;726;1492;1503;1400;]; tsx = [ 1.10 311.89 579.00 1152.00 445.00 1.24 200.00 7284.00 7.98 1.18 324.76 635.00 1168.00 507.00 1.37 209.00 7451.00 8.35 0.83 337.07 637.00 1186.00 434.00 1.39 221.00 7826.00 8.97 0.73 351.81 684.00 1201.00 443.00 2.48 227.00 8052.00 9.54 0.83 390.85 782.00 1217.00 503.00 3.25 343.00 8696.00 10.31 0.71 466.75 1019 1233.00 687.00 4.32 410.00 9216.00 11.07 0.84 490.83 1174 1249.00 678.00 6.43 504.00 10126.00 12.59 1.01 545.46 1282 1265.00 811.00 8.08 713.00 10159.00 13.42 0.84 648.30 1654 1288.00 707.00 8.61 717.00 10019.00 13.63 0.75 696.54 1883 1311.00 652.00 8.24 657.00 9526.00 13.00 0.76 781.66 2154 1334.00 608.00 8.42 605.00 8714.00 11.47 0.75 893.77 2318 1350.00 594.00 7.27 598.00 8888.00 11.94 0.45 1114.32 2697 1365.00 591.00 6.53 591.00 9427.00 12.98 0.81 1519.23 4044 1381.00 699.00 6.08 520.00 9194.00 11.93 1.26 1990.86 5273 1398.00 722.00 8.78 1086.00 7446.00 9.96 1.67 2518.08 6590 1414.00 788.00 8.23 1257.00 6273.00 9.32 2.01 2980.75 7545 1451.00 783.00 8.83 1974.00 25023.00 48.75 2.16 3465.28 8586 1489.00 780.00 12.61 2277.00 25991.00 47.12 2.40 3831.00 9147 1527.00 781.00 12.07 2006.00 26352.00 49.44 2.61 4222.30 9883 1567.00 726.00 15.81 2178.00 27171.00 51.09 4.13 4812.15 11061 1608.60 1492 16.44 2482.00 28369.00 56.37 4.21 5257.66 11660 1668.33 1503 42.31 1508.00 28869.00 60.34 4.71 5795.02 12627 1712.97 1400 50.43 2046 29759 65.00 ]; fs=[1406;1543;1393;1231;1171;1100;1042;1011;944;916;914;902;868;759;676;] fsx=[ 5.42 6762.38 14013 1765.84 1406 58.00 2052 30678 69.00 2.71 8165.38 15937 1834.98 1543 72.09 2465 31554 71.00 0.92 9365.54 17894 1890.26 1393 75.06 2468 32684 73.00 0.66 10718.04 20022 1964.11 1231 86.85 2784 33799 80.00 0.40 12668.89 22893 2063.58 1171 94.02 2872 35634 85.00 0.27 14276.79 25172 2140.65 1100 94.07 2934 40328 253.00 0.28 15287.56 26591 2210.28 1042 99.57 2995 37745 244.00 0.22 17436.85 32287 2302.66 1011 115.44 3634 40890 266.00 0.21 19539.07 35461 2347.46 944.00 106.74 3477 42685 284.00 0.23 20558.98 36916 2380.43 916.00 112.72 3748 42911 288.00 0.20 22264.06 39642 2415.15 914.00 108.71 3720 43809 299.00 0.12 24068.20 43037 2425.68 902.00 124.34 3754 42848 301.00 0.10 25659.18 45881 2415.27 868.00 125.45 3766 40627 290.00 0.08 28183.51 49637 2419.70 759.00 114.98 3402 39055 282.00 0.07 30632.99 53617 2418.33 676.00 116.67 3419 39743 298.00 ]; % = [971;897]; %fs=ts; %fsx = tsx; % = [971;897]; %fs=ts; %fsx = tsx; %8.3 10.2 12 12.7 13 13.2 13.9 12.9 13.4 13.2 12.3 10.8 7.8; % 5.3 7.1 7.8 8.5 8.7 9.6 10.8 11.4 12.1 11.3 11.4 10.2 8.1 % 画出原始上证指数的每日开盘数 figure; plot(ts,'LineWidth',2); title('上海市交通事故数(1995-2009)','FontSize',12); xlabel('事故年份(1995-2009)','FontSize',12); ylabel('事故数','FontSize',12); grid on; % 数据预处理,将原始数据进行归一化 ts = ts'; tsx = tsx'; fs = fs'; fsx = fsx'; % mapminmax为matlab自带的映射函数 % 对ts进行归一化 [TS,TSps] = mapminmax(ts,1,2); [FS,FSps] = mapminmax(fs,1,2); % 画出原始上证指数的每日开盘数归一化后的图像 figure; plot(TS,'LineWidth',2); title('上海市交通事故数归一化后的图像','FontSize',12); xlabel('事故年份(1995-2009)','FontSize',12); ylabel('归一化后的事故数','FontSize',12); grid on; % 对TS进行转置,以符合libsvm工具箱的数据格式要求 TS = TS'; FS = FS'; % mapminmax为matlab自带的映射函数 % 对tsx进行归一化 [TSX,TSXps] = mapminmax(tsx,1,2); [FSX,FSXps] = mapminmax(fsx,1,2); % 对TSX进行转置,以符合libsvm工具箱的数据格式要求 TSX = TSX'; FSX = FSX'; %% 选择回归预测分析最佳的SVM参数c&g % 首先进行粗略选择: [bestmse,bestc,bestg] = psoSVMcgForRegress(TS,TSX); % 打印粗略选择结果 disp('打印粗略选择结果'); str = sprintf( '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] = psoSVMcgForRegress(TS,TSX,-4,4,-4,4,3,0.5,0.); % 打印精细选择结果 %disp('打印精细选择结果'); %str = sprintf( 'Best Cross Validation MSE = %g Best c = %g Best g = %g',bestmse,bestc,bestg); %disp(str); %% 利用回归预测分析最佳的参数进行SVM网络训练 cmd = ['-c ', num2str(bestc), ' -g ', num2str(bestg) , ' -s 3 -t 2 -p 0.01']; model = svmtrain(TS,TSX,cmd); %% SVM网络回归预测 %[predict,mse] = svmpredict(TS,TSX,model); %[predict] = svmpredict(TS,TSX,model,'-b 0'); [predict] = svmpredict(FS,FSX,model,'-b 0'); %[predict_t1,accuracy_t1,dv_t] = svmpredict(test_price1,test_proper1,model); predict = mapminmax('reverse',predict',TSps); predict = predict'; str1 = sprintf( 'pMSE = %g',predict); disp(str1); % 打印回归结果 str = sprintf( '均方误差 MSE = %g 相关系数 R = %g%%',mse(2),mse(3)*100); %str = sprintf( '均方误差 MSE = %g 相关系数 R = %g%%',mse,mse*100); disp(str); %% 结果分析 figure; hold on; plot(fs,'-o'); hold on; plot(predict,'r-^'); legend('原始数据','回归预测数据'); hold off; title('原始数据和回归预测数据对比','FontSize',12); xlabel('事故年份(1995-2009)','FontSize',12); ylabel('事故数','FontSize',12); grid on; %figure; %error = predict - fs'; %plot(error,'rd'); %title('Error map(predicted data - original data)','FontSize',12); %xlabel('Days','FontSize',12); %ylabel('Margin of error','FontSize',12); %grid on; %&&&&&& figure; error = (predict - fs')./fs'; plot(error,'rd'); title('相对误差图(predicted data - original data)/original data','FontSize',12); xlabel('事故年份(1995-2009)','FontSize',12); ylabel('相对误差量','FontSize',12); grid on; snapnow; toc; function [bestCVmse,bestc,bestg,pso_option] = psoSVMcgForRegress(train_label,train,pso_option) % psoSVMcgForClass % % by faruto %Email:patrick.lee@foxmail.com QQ:516667408 http://blog.sina.com.cn/faruto %last modified 2011.06.08 % 若转载请注明： % faruto and liyang , LIBSVM-farutoUltimateVersion % a toolbox with implements for support vector machines based on libsvm, 2011. % Software available at http://www.matlabsky.com % % Chih-Chung Chang and Chih-Jen Lin, LIBSVM : a library for % support vector machines, 2001. Software available at % http://www.csie.ntu.edu.tw/~cjlin/libsvm %% 参数初始化 if nargin == 2 pso_option = struct('c1',1.5,'c2',1.7,'maxgen',200,'sizepop',100, ... 'k',0.6,'wV',1,'wP',1,'v',5, ... 'popcmax',10^1,'popcmin',10^(-1),'popgmax',10^3,'popgmin',10^(-2)); end % c1:初始为1.5,pso参数局部搜索能力 % c2:初始为1.7,pso参数全局搜索能力 % maxgen:初始为200,最大进化数量 % sizepop:初始为20,种群最大数量 % k:初始为0.6(k belongs to [0.1,1.0]),速率和x的关系(V = kX) % wV:初始为1(wV best belongs to [0.8,1.2]),速率更新公式中速度前面的弹性系数 % wP:初始为1,种群更新公式中速度前面的弹性系数 % v:初始为5,SVM Cross Validation参数 % popcmax:初始为100,SVM 参数c的变化的最大值. % popcmin:初始为0.1,SVM 参数c的变化的最小值. % popgmax:初始为1000,SVM 参数g的变化的最大值. % popgmin:初始为0.01,SVM 参数c的变化的最小值. Vcmax = pso_option.k*pso_option.popcmax; Vcmin = -Vcmax ; Vgmax = pso_option.k*pso_option.popgmax; Vgmin = -Vgmax ; eps = 10^(-4); %% 产生初始粒子和速度 for i=1:pso_option.sizepop % 随机产生种群和速度 pop(i,1) = (pso_option.popcmax-pso_option.popcmin)*rand+