[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

本發明公開了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。相應方法包括：股票指數數據的獲取和區間化；區間神經網絡預測模型的建立；設計基于信息論學習的代價函數；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。本發明實現了對股票指數波動區間的建模和預測，克服了常用的最小均方誤差準則依賴于高斯前提假設的局限性，具有較好的準確性和魯棒性，應用范圍更加廣泛。

技術領域

本發明涉及機器學習、數據預測和金融領域，特別是涉及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。

背景技術

對股市的回報及波動性的建模和預測是投資組合管理、衍生證券定價以及風險管理等應用中的關鍵問題。目前主要的經濟學預測模型都是基于點數據的，例如選取一天中股市的開盤價或收盤價進行分析。但是一天中的股票指數是在不斷變動的，隨著電子交易和數據存儲技術的迅速發展，我們可以獲得更準確的日內交易數據，一般將其總結為日內的最高價和最低價，從而構成了一個股票指數區間。大量的研究證明，這樣的區間是衡量某個時間間隔內股市波動性的有效方式，而單單采用開盤價或收盤價會忽視日內的波動性。對區間值數據預測的優勢在于可以反映出數據的波動性或不精確性，從而提供比傳統點數據預測更多的信息，獲得更好的結果與性能。很多已有的傳統預測模型都可以被應用在對股市波動區間的預測中，例如指數平滑方法、ARIMA模型、神經網絡模型等。其中神經網絡模型對于解決非線性問題具有突出的優勢，在區間值數據的背景下被稱為區間神經網絡。

在基于神經網絡的股市波動區間預測模型的訓練中，目前常用的方法都是基于二階統計的。例如采用最小均方誤差準則，代價函數的形式基于如下對兩個區間值數據距離的定義：

然而這些方法對高斯性的前提假設具有很強的依賴性，即只有在高斯噪聲的條件下才能得到最優的結果。但是股市波動區間預測中，股指數據的噪聲不一定滿足高斯分布，往往是非高斯的，在此條件下應用該方法進行預測的準確性和魯棒性往往不夠理想。

發明內容

本發明的目的在于針對現有神經網絡模型應用在股市波動區間預測上時，在非高斯噪聲條件下預測性能不理想的問題，提供了一種基于信息論學習的股市波動區間預測方法。

為解決上述技術問題，本發明是通過以下技術方案來實現的：

(1)股指數據的獲取和區間化；

(2)區間神經網絡預測模型的建立；

(3)設計基于信息論學習的代價函數；

(4)通過最大化(3)中的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。

步驟(1)所述的股指數據的獲取和區間化，具體過程如下：

從各類財經數據庫獲取某一時間段內股票指數最高價、最低價歷史數據，并將其整理為股市波動區間形式，即X＝[x^L,x^H]或X＝x^C,x^R，其中x^H為股指最高價，x^L為股指最低價，x^C為波動區間中點，x^R為波動區間半徑。

步驟(2)所述的區間神經網絡預測模型建立如下：

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。

步驟(3)所述的基于信息論學習的代價函數設計如下：