針對金融數(shù)據(jù)的非線性、時變性、隨機(jī)性、模糊性、不確定性等特點(diǎn)，提出一種嶄新的智能支持向量回歸模型，并且運(yùn)用一種新型的遺傳算法優(yōu)選模型參數(shù)。實(shí)驗(yàn)結(jié)果表明，所提出的智能支持向量回歸模型預(yù)測金融數(shù)據(jù)比BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度高、速度快。

　　金融數(shù)據(jù)由于受政策、技術(shù)等多種因素的影響，普遍具有非線性、時變性、隨機(jī)性、模糊性、不確定性等特性。在計算經(jīng)濟(jì)學(xué)基礎(chǔ)上建立的大部分金融線性模型，雖然能夠比較直觀地解決問題，但是在解決實(shí)際問題時也會有很大的不足。其根本原因在于金融數(shù)據(jù)具有非線性特征，運(yùn)用線性模型來預(yù)測肯定會有較大的誤差。所以，人們正在努力尋求高精度的預(yù)測工具進(jìn)行金融數(shù)據(jù)建模。

　　為了更加精確地進(jìn)行金融數(shù)據(jù)預(yù)測，本文提出一種嶄新的智能支持向量回歸模型進(jìn)行金融數(shù)據(jù)預(yù)測。支持向量機(jī)于1995 年由Vapnik 等人正式提出，已經(jīng)成功地應(yīng)用到回歸等問題。然而，到目前為止，支持向量回歸模型仍然沒有好的參數(shù)優(yōu)選方法。本文運(yùn)用一種新型遺傳算法來進(jìn)行支持向量回歸模型的參數(shù)優(yōu)選。該新型遺傳算法可以解決一般的遺傳算法所帶來的早熟問題和進(jìn)化緩慢問題，具有較強(qiáng)的搜索能力，能夠?qū)ふ胰肿顑?yōu)解。因此，本文運(yùn)用新型遺傳算法對支持向量回歸模型進(jìn)行最優(yōu)參數(shù)設(shè)置，從而得到一種嶄新的智能支持向量回歸模型。最后，將所建立的智能支持向量回歸模型應(yīng)用于金融數(shù)據(jù)預(yù)測，通過與BP 神經(jīng)網(wǎng)絡(luò)模型比較，得到本文所提出的模型預(yù)測精度比較高，是進(jìn)行金融數(shù)據(jù)預(yù)測的一種有效方法。