利用归一化提高 PSO 和 DE 的精度：在股价预测中的应用
神经与进化计算
2013-02-06 v1 机器学习
摘要
自 20 世纪 80 年代以来，数据挖掘已被积极应用于股票市场。它已被用于预测股价、股票指数、投资组合管理、趋势检测以及开发推荐系统。为此使用的各种算法包括 ANN、SVM、ARIMA、GARCH 等。为了提高效率，人们将这些算法与 roughest、模糊逻辑、GA、PSO、DE、ACO 等其他算法相结合，开发了不同的混合模型。本文提出了一种用于股价预测的 DE-SVM 模型（差分进化支持向量机）。DE 被用于选择 SVM 的最佳自由参数组合以改善结果。本文还将预测结果与单独使用 SVM 的输出以及 PSO-SVM 模型（粒子群优化）的输出进行了比较。此外，还研究了数据归一化对预测精度的影响。
引用
@article{arxiv.1302.0962,
title = {Improved Accuracy of PSO and DE using Normalization: an Application to Stock Price Prediction},
author = {Savinderjit Kaur and Veenu Mangat},
journal= {arXiv preprint arXiv:1302.0962},
year = {2013}
}