[發明專利]一種基于信息論學習的股市波動區間預測模型的構建方法

有效

• 申請號: 201710696129.4
• 申請日: 2017-08-15
• 公開（公告）號: CN107704944B
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 李春光;翟一帆
• 申請（專利權）人: 浙江大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/04;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 萬尾甜;韓介梅

1.一種基于信息論學習的股市波動區間預測模型的構建方法，其特征在于，所述方法為建立區間神經網絡預測模型，其過程如下：

建立區間神經網絡模型用于波動區間預測，其結構包括：n個輸入單元的輸入層，一層或多層包含h個非線性激活函數單元的隱藏層，m個輸出單元的輸出層，模型的輸入和輸出都是區間值形式的股指數據，有兩層權值α_j、w_ji需要進行訓練，其中α_j是隱藏層到輸出層的權值，w_ji是輸入層到隱藏層的權值；

引入信息論學習中的相關熵來定義新的代價函數進行模型的訓練，給出兩個隨機變量X和Y，它們之間的相關熵定義為：

V(X,Y)＝E[κ(X,Y)]＝∫∫κ(x,y)f_XY(x,y)dxdy (1)

其中κ(x,y)為核函數，f_XY(x,y)為X和Y的聯合概率分布函數，采用樣本平均的方法估計相關熵：

其中N為樣本數量，σ為核函數的寬度，x(i)和y(i)分別為X和Y的第i個樣本觀測值；當相關熵最大化時，估計值和期望值誤差為0的概率最大，因此最大相關熵準則定義為：

設估計輸出區間為期望輸出區間為Y'，在最大相關熵準則(MCC)下進行模型的參數訓練，采用的代價函數E_MCC為中心和半徑相關熵的加權和，其中t表示訓練樣本的序號，計算結果是p個訓練樣本的平均誤差：

其中J_C、J_R分別是中心和半徑的相關熵，β是權重，是正則項，目標為最大化E_MCC，等價于最小化代價函數E＝-E_MCC。

2.根據權利要求1所述的基于信息論學習的股市波動區間預測模型的構建方法，其特征在于，通過最大化代價函數對區間神經網絡預測模型進行訓練，將訓練好的模型用于股市波動區間預測，具體過程如下：

初始化各層的權值α_j、w_ji為(-0.5,0.5)之間的隨機數，每次迭代過程中，從訓練集中隨機選取p個樣本，對于每個樣本，根據模型結構和公式計算預測的波動區間，每次的訓練輸入為n個區間值數據{X_i}，i＝1,...,n，其中是第i個股指區間，是區間的中心，是區間的半徑；隱藏層單元的輸入為：

隱藏層單元包含非線性激活函數g(S_j)，則其輸出為：

A_j＝g(S_j) (6)

最終的輸出波動區間是隱藏層單元輸出和偏置的線性組合：

根據輸出區間計算步驟(3)設計的代價函數對于兩層權值α_j、w_ji的梯度，然后計算p個樣本的梯度和根據學習速率對參數調整如下，直至達到迭代停止條件：

其中η為梯度下降法學習速率，計算參數調整后訓練集上的總誤差，當總誤差小于訓練精度或者迭代次數大于最大迭代次數時停止迭代，否則繼續下一次迭代；迭代停止后，此時得到優化后的參數α_j、w_ji，可以在股指數據上進行測試和應用，對股市的波動區間進行預測：輸入前n天的股指區間{X_i}，i＝1,...,n，根據區間神經網絡預測輸出的計算公式(5)(6)(7)可以得到預測波動區間X_n+1。