[發(fā)明專利]一種基于改進(jìn)的支持向量機(jī)股票收益率預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201910298961.8
• 申請日: 2019-04-15
• 公開（公告）號: CN110163412A
• 公開（公告）日: 2019-08-23
• 發(fā)明（設(shè)計(jì)）人: 方昕;陳玲玲
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/04;G06N3/00;G06N20/10
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發(fā)明公開了一種基于改進(jìn)的支持向量機(jī)股票收益率預(yù)測方法，使用步驟如下：S1,支持向量機(jī)對股票收益率進(jìn)行分類預(yù)測時，無法識別和選擇高效的特征，結(jié)合BPSO優(yōu)化特征選擇機(jī)制，選擇最優(yōu)特征，并作為特征屬性輸入SVM算法；S2,SVM算法存在參數(shù)選擇困難問題，利用粒子群算法搜索SVM參數(shù)，提出改進(jìn)支持向量機(jī)進(jìn)行股票趨勢預(yù)測的混合分類方法；本發(fā)明消除無關(guān)或效果重復(fù)的特征屬性，減少輸入特征的維度，減小了股票趨勢預(yù)測的時間；提高支持SVM的分類預(yù)測性能。采用BPSO算法帥選出最優(yōu)特征作為輸入變量輸入到粒子群優(yōu)化的SVM算法中，有效提高了股票趨勢預(yù)測的精確性，大大降低了輸入技術(shù)指標(biāo)的復(fù)雜性。

技術(shù)領(lǐng)域

本發(fā)明屬于金融大數(shù)據(jù)技術(shù)領(lǐng)域，具體涉及一種二進(jìn)制粒子群算法的特征優(yōu)化和對支持向量機(jī)參數(shù)優(yōu)化同步進(jìn)行的股票收益率預(yù)測，通過二進(jìn)制粒子群算法進(jìn)行特征選擇和參數(shù)優(yōu)化同步進(jìn)行，以提高支持向量機(jī)的分類和預(yù)測性能。

背景技術(shù)

在股票預(yù)測過程中，股票價格走勢的預(yù)測一直是熱點(diǎn)問題。預(yù)測方法主要分為兩類：(1)統(tǒng)計(jì)方法(2)人工智能方法(3)機(jī)器學(xué)習(xí)方法。統(tǒng)計(jì)方法包括自回歸AR,移動平均MA,自回歸條件異方差A(yù)RCH模型等。傳統(tǒng)方法是一種參數(shù)優(yōu)化方法，首先，定義模型的具體形式，根據(jù)歷史數(shù)據(jù)找出最優(yōu)參數(shù)。因此，模型的精度容易受到模型定義錯誤的影響，導(dǎo)致模型不匹配問題。人工智能方法主要是神經(jīng)網(wǎng)絡(luò)方法，不同于傳統(tǒng)的統(tǒng)計(jì)模型，神經(jīng)網(wǎng)絡(luò)是數(shù)據(jù)驅(qū)動的非參數(shù)模型，它們讓“數(shù)據(jù)自己說話”。與大多數(shù)參數(shù)模型相比，神經(jīng)網(wǎng)絡(luò)模型失配的可能性較小，其具有較強(qiáng)的抗噪能力，能夠用不完整甚至是缺失的數(shù)據(jù)來學(xué)習(xí)復(fù)雜系統(tǒng)。然而，神經(jīng)網(wǎng)絡(luò)也有很多缺點(diǎn)，首先，它容易陷入過學(xué)習(xí)，因?yàn)樯窠?jīng)網(wǎng)絡(luò)貫徹了“經(jīng)驗(yàn)風(fēng)險最小”原則，過學(xué)習(xí)問題會降低神經(jīng)網(wǎng)絡(luò)的預(yù)測精度，影響模型的預(yù)測。同時，神經(jīng)網(wǎng)絡(luò)的解可能是局部最優(yōu)的，而不是全局最優(yōu)，這也會影響模型的預(yù)測精度。神經(jīng)網(wǎng)絡(luò)的參數(shù)很多，很難找到一種有效的方法來找到神經(jīng)網(wǎng)絡(luò)的最優(yōu)參數(shù)。機(jī)器學(xué)習(xí)方法包括隨機(jī)森林，支持向量機(jī)等。支持向量機(jī)(SVM)是一種新型學(xué)習(xí)機(jī)，正在許多領(lǐng)域都引起人們越來越多的關(guān)注。支持向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上提出的小樣本數(shù)據(jù)處理的算法。該理論的核心思想是通過引入結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則，有效避免過擬合發(fā)生。該方法還采用了核函數(shù)，有效地克服了維數(shù)災(zāi)難問題。目前，SVM理論已經(jīng)在股票預(yù)測方

面得到很好的應(yīng)用。一般來說，人們很難預(yù)測股票的真實(shí)價格，而預(yù)測

股票價格的漲跌則相對簡單。

發(fā)明內(nèi)容

本發(fā)明針對SVM在股票收益率的分類預(yù)測研究中的不足，提出了一種基于特征選擇粒子群算法和同步優(yōu)化SVM的參數(shù)的股票收益率分類預(yù)測新算法，提高SVM的分類預(yù)測性能。

具體包括以下步驟：

S1，數(shù)據(jù)采集：

使用python程序從網(wǎng)站下載股票日交易數(shù)據(jù)，包括開盤價，收盤價，最低價，最高價，成交量信息。將數(shù)據(jù)分為訓(xùn)練集，測試集。

S2：特征提取：

計(jì)算技術(shù)指標(biāo)，用技術(shù)分析中的一些技術(shù)指標(biāo)作為支持向量機(jī)的輸入特征。

S3：粒子群種群初始化：

將技術(shù)指標(biāo)作為粒子群算法中的粒子，隨機(jī)初始化粒子的速度與位置，皆用二進(jìn)制碼表示。假設(shè)粒子的種群規(guī)模為F,粒子群搜索空間維度為d，d也為特征數(shù)量。粒子在空間的位置向量為代表特征的位置向量，速度向量為代表特征的速度向量，i＝1,2，3……F。

S4：BPSO特征選擇算法和SVM參數(shù)尋優(yōu)：