支援向量機與支援向量迴歸於財務時間序列預測之應用

Financial Time Series Forecasting Using Support Vector Machine and Support Vector Regression

呂奇傑(Chi-Jie Lu) ； 李天行(Tian-Shyug Lee) ； 高人龍(Jen-Lung Kao) ； 黃敏菁(Min-Ching Huang)

《Journal of Data Analysis》 4卷2期 (2009/04) Pp. 35-56

https://doi.org/10.6338/JDA.200904_4(2).0003

摘要

財務時間序列預測一直是各領域人才躍躍欲試的題材，然而因財務時間序列資料中的雜訊（Noise）、非定態（Non-stationary）及確定性混亂現象等特性的影響，提高了建構準確的財務時間序列預測模式之困難度。綜觀國內外文獻，由於傳統的預測模型常需符合模型特定的統計假設，限制了其實用性，因此不需過多假設及擁有學習能力特性的人工智慧（Artificial intelligence）方法便逐漸受到重視及使用，其中類神經網路（Artificial neural network, ANN）已成功應用在建構財務時間序列之預測模式上，但ANN仍存在著需要大量控制參數與容易落入區間極值（Local extreme）等問題。支援向量機（Support vector machine, SVM）與支援向量迴歸（Support vector regression, SVR）是一個以統計學習理論（Statistical learning theory）為基礎的預測方法，由於具有全域最佳解（Global optimum）與考慮結構風險（Structural risk）的特性，已成功應用在文字分類、影像識別、生物資訊等領域。本研究將嘗試以SVM與SVR為預測工具，建構財務時間序列預測模式，並且為驗證其有效性，將以預測台灣加權股價指數（TAIEX）之漲跌方向進行實證研究，所得之預測結果將與ANN中的倒傳遞類神經網路（Back-propagation neural network, BPN）的預測結果做比較。實證結果顯示，不論在漲跌幅度的預測誤差或是趨勢預測準確度的表現上，SVM與SVR均較BPN為佳，代表透過支援向量機與支援向量迴歸建構財務時間序列預測模式具有效性，能提供更佳的投資建議。

關鍵字

財務時間序列預測 ； 支援向量機 ； 支援向量迴歸 ； 類神經網路

並列摘要

As financial time series are inherently noisy, non-stationary and deterministically chaotic, it is one of the most challenging applications of modern time series forecasting. Due to the advantages of building nonparametric and nonlinear models, artificial neural network (ANN) has also been successfully applied in time series prediction, especially in modeling financial time series forecasting problems. Support vector machine (SVM) and support vector regression (SVR) are novel neural network techniques based on statistical learning theory and structural risk minimization principle. They have been used in wide range of applications. The aims of this paper are to examine the ability of SVM and SVR in predicting the next trading day's vibration and direction of the Taiwan stock weighted exchange index (TAIEX). The forecasting results of TAIEX using back-propagation neural network (BPN) are used as benchmark for evaluating the performance of SVM and SVR. The experimental results show that SVM and SVR outperform the BPN model in forecasting performance.

並列關鍵字

Financial Time Series Forecasting ； Support Vector Machine ； Support Vector Regression ； Artificial Neural Network ； Taiwan Stock Weighted Exchange Index

參考文獻

王彥茸(2000)。台灣實施隔週休二日制度對股市報酬率之影響。中央大學企業管理研究所。

杜金龍(2006)。最新技術指標在台灣股市應用的訣竅。台北:財訊出版社。

莊智有(2000)。中原大學企業管理學系碩士論文。中原大學企業管理學系。

陳國玄(2004)。成功大學統計研究所碩士論文。成功大學統計研究所。

張政一(2000)。中國文化大學國際企業管理研究所碩士論文。中國文化大學國際企業管理研究所。