基于SVM的股市趋势预测与量化分析系统

资 源 简 介

本项目利用支持向量机（SVM）算法构建股票价格预测模型，旨在通过分析历史市场数据预测未来股价走势。核心功能涵盖了从股票原始数据的读取到预处理的全过程，包括数据归一化、特征提取（如移动平均线、相对强弱指标RSI、平滑异同移动平均线MACD等技术指标）以及训练集与测试集的划分。程序采用支持向量回归（SVR）或支持向量分类（SVC）模型，通过核函数将非线性特征映射到高维空间以寻找最优分离超平面。系统实现了基于交叉验证和网格搜索的参数优化机制，自动寻优惩罚参数C和核函数参数g，以确保模型具备极佳的泛化能力和预测精

详 情 说 明

基于支持向量机（SVM）的股市趋势预测系统

项目介绍

本项目是一款基于支持向量机（SVM）算法的金融量化分析工具。系统通过支持向量回归（SVR）模型对股票价格进行建模，能够自动提取多种技术分析指标，并利用网格搜索算法优化模型超参数，从而实现对股价波动趋势的科学预测。系统不仅提供精确的价格数值预测，还能通过分类转化评估涨跌趋向，辅助投资者进行风险评估与决策。

主要功能特性

1. 自动化数据建模：内置随机游走模型生成具有时间序列特征的模拟股市数据，涵盖开盘、最高、最低、收盘及成交量。
2. 多维度指标提取：系统自动计算五日均线（MA5）、十日均线（MA10）、相对强弱指标（RSI）以及平滑异同移动平均线（MACD）等关键技术指标。
3. 智能参数寻优：集成基于网格搜索和交叉验证的优化机制，自动寻找最优的惩罚参数（C）和核函数参数（Gamma）。
4. 数据预处理体系：实现严谨的训练集与测试集划分（80/20比例），并采用 mapminmax 归一化技术处理量纲差异，确保模型收敛。
5. 多维度评估可视化：系统自动输出预测价格对比图、趋势预测混淆矩阵、残差分布图及策略回测收益曲线。

使用方法

1. 运行环境准备：确保安装有 MATLAB 2020b 或更高版本，并安装 Statistics and Machine Learning Toolbox。
2. 启动系统：在 MATLAB 控制命令行中直接运行主程序函数。
3. 结果查看：程序运行后将自动弹出可视化图表，并在命令行窗口输出包括 RMSE、MAE、R2 评分及趋势预测准确率在内的性能报告。

系统要求

1. 软件环境：MATLAB R2020b 及以上版本。
2. 依赖工具箱：统计与机器学习工具箱（Statistics and Machine Learning Toolbox）。
3. 硬件配置：建议 8GB RAM 以上，主频 2.0GHz 以上处理器以保证网格搜索效率。

实现逻辑与功能细节说明

1. 数据仿真与构建：

系统首先设定固定随机种子（42），通过带有 0.0005 漂移项的随机游走算法生成 500 个交易日的模拟收盘价，并据此构建包含开盘价、极值价和成交量的交易账表。

1. 技术特征工程：

• 趋势指标：利用移动平均函数计算 5 日和 10 日均线。
• 动量指标：通过计算 14 日涨跌幅平均值构建 RSI 指标，反映价格强弱。
• 信号指标：通过内置辅助函数计算 EMA12 和 EMA26 的差值（MACD 线），并生成 9 日信号线（DEA）。
• 特征对齐：通过滞后处理，使用当日的技术指标作为特征（X），预测下一交易日的收盘价作为标签（Y）。

1. 深度预处理流程：

• 缺失值处理：剔除由于指标初始化计算导致的含有空值的观测行。
• 数据集分割：将前 80% 的数据设为训练集，后 20% 设定为非预见测试集。
• 归一化：将特征与标签映射至 [0, 1] 区间，测试集严格同步训练集的映射参数。

1. 核心训练算法：

• 模型选择：采用 fitrsvm 函数构建 Gaussian 核函数的支持向量回归模型。
• 优化策略：程序在训练集内部通过 70% 子训练集和 30% 验证集的划分，对 BoxConstraint（C）和 KernelScale（g）进行双层循环网格搜索，目标是最小化均方误差（MSE）。

1. 预测与反向映射：

模型在测试集上得出归一化后的预测值，随后通过反归一化（Reverse Mapping）恢复为真实的股价水平。

1. 量化评价与回测：

• 回归评价：计算均方根误差（RMSE）、平均绝对误差（MAE）和 R2 确定系数。
• 分类评价：将回归预测转化为涨跌方向判断（涨为 1，跌为 0），并计算预测准确率，生成混淆矩阵。
• 策略模拟：实施简单买入策略（今日预测明日上涨则买入并持有一日），通过累计收益率曲线对比系统策略与基准持币收益。

关键函数与算法细节

1. Gaussian 核函数（RBF）：通过将特征空间映射到高维，处理股价预测中的非线性特征。
2. 网格搜索：遍历 $2^{-5}$ 到 $2^{15}$ 的惩罚因子范围，精细调节模型在学习能力与泛化性能之间的平衡。
3. 指数移动平均算法（EMA）：在 MACD 辅助函数中通过 alpha 系数平滑价格波动，捕捉趋势转折信号。
4. 反向归一化技术：确保预测结果具有物理意义，能够与实际股价进行直观对照。