matlab30个案例分析案例15-SVM神经网络的信息粒化时序回归预测.docx

1、% SVM神经网络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 % 清空环境变量function chapter15tic;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 chapter15_sh.mat;% 提取数据ts = sh_open;time = length(ts);% 画出

2、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,triangl

3、e,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 = m

4、apminmax(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;

5、% 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 = SVMcg

6、ForRegress(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SVMcmd = -c , num2str(bestc), -g , num2str(bestg) , -s 3 -p 0.1;low_model = svmtrain(low, tsx, cmd

7、);% 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(origina

8、l 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);g

9、rid 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;snap

10、now;% 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 = SVMcgFo

11、rRegress(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SVMcmd = -c , num2str(bestc), -g , num2str(bestg) , -s 3 -p 0.1;r_model = svmtrain(r, tsx, cmd);% 预测r_pred

12、ict,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

13、,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

14、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