自适应加权遗传算法优化SVR用于全球股指的长期预测
计算金融
2025-12-18 v1 机器学习
摘要
长期价格预测因固有的长期不确定性仍是巨大挑战，尽管短期预测取得了一些成功。然而，准确的长期预测对高净值个人、机构投资者和交易者至为重要。我们提出的改进型遗传算法优化支持向量回归（IGA-SVR）模型专为全球指数的长期价格预测而设计。对 IGA-SVR 模型的性能进行严格评估并与最先进的基线模型——长短期记忆网络（LSTM）和前向验证遗传算法优化支持向量回归（OGA-SVR）进行比较。对五个全球指数（Nifty、道琼斯工业平均指数 DJI、德国指数 DAX、日经 225 N225 和上海股份综合指数 SSE）在 2021 年至 2024 年的每日价格进行一年的预测。总体而言，IGA-SVR 模型相较于 LSTM 降低了 MAPE 19.87%，相较于 OGA-SVR 降低了 50.03%，显示其在全球指数每日价格的长期预测中具有优越性能。进一步地，LSTM 的执行时间约为 IGA-SVR 的 20 倍，凸显了本模型在高精度和计算效率方面的优势。遗传算法通过最小化计算在完整训练数据集和最近五年训练数据的平均绝对百分比误差（MAPE）来选择 SVR 的最优超参数。这种专为设计的训练方法在保留长期趋势信息的同时，调整以适应近期趋势，从而比 LSTM 和滚动前向验证方法（OGA-SVR）实现更好的概括。
引用
@article{arxiv.2512.15113,
title = {Adaptive Weighted Genetic Algorithm-Optimized SVR for Robust Long-Term Forecasting of Global Stock Indices for investment decisions},
author = {Mohit Beniwal},
journal= {arXiv preprint arXiv:2512.15113},
year = {2025}
}