[發明專利]一種分析股票趨勢的方法

在審

• 申請號: 202010818867.3
• 申請日: 2020-08-14
• 公開（公告）號: CN111899113A
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 周珺妮;史小宏
• 申請（專利權）人: 上海海事大學
• 主分類號: G06Q40/06
• 分類號: G06Q40/06;G06Q10/04;G06Q10/06;G06N3/00
• 代理公司: 上海元好知識產權代理有限公司 31323
• 代理人: 包姝晴;張靜潔

本發明公開了一種分析股票趨勢的方法，通過所述方法獲取股票數據，形成特征數據集；然后初始化股票數據集的速度與位置信息，更新每一個粒子點的局部最優值點、每一個粒子每一維的迭代步數和自適應速度值，更新所有粒子點的速度及位置，從所有粒子歷史局部最優值點中找到種群的全局最優值點；最后根據最優特征構建數據矩陣，將數據矩陣進行RF分類，得到分類結果，進行股票預測，預測結果正確率與BPSO—RF算法相比較。本發明利用優化后的離散二進制粒子群改進隨機森林算法，剔除冗余特征，篩選最優特征，輸入RF算法進行股票預測，提高預測精度；本發明方法具有較快的收斂速度，在同樣的迭代步驟內能夠找到更好的目標函數最優值，減少股票預測時間。

技術領域

本發明屬于金融與機器學習領域，具體涉及一種基于ADB粒子群優化的隨機森林算法分析股票趨勢的方法

背景技術

2019年7月22日，科創板股票正式在上交所交易。由于股票市場行情的不確定，分析股票市場價格非常具有挑戰性。一般來說，分析股價趨勢有兩種方式，一是基本面，主要是考慮到公司年收益率等；二是技術面，主要是基于過去股票數據的數學分析，包括統計計算和機器學習。機器學習最主要的方法是支持向量機、神經網絡和隨機森林算法。這些方法被廣泛應用于金融領域，并取得較好成果。其中，結合二進制粒子群的隨機森林算法預測股票趨勢的準確率最高，但隨著特征種類的增加，二進制粒子群在高維環境下迭代速度慢而且易早熟，導致股票預測精度下降，預測時間增加。

為了解決上述問題，我們提出ADB粒子群算法即自適應離散二進制粒子群，引入多點速度向量和自適應的速度計算方法，從而優化隨機森林算法來預測股票趨勢。推導得到的ADB粒子群可以提高隨機森林算法的全局最優值搜索能力和收斂速度，在初期趨勢變化不明顯的情況下，刪除冗余特征，篩選出最優特征并輸入RF算法進行分類。

ADB粒子群算法，是二進制離散化表示，位置和向量均由0和1值構成，隨機的初始化種群位置及速度，得到粒子的局部最優值點和局部最優值加速度，更新每個粒子每一維的迭代步數及自適應速度值，直到找到最優值。

隨機森林算法，通過自助法(bootstrap)重采樣技術，從原始樣本集M中有放回地隨機重復抽取k個樣本生成新的樣本集合，根據自助樣本集生成k個分類樹組成隨機森林，新數據的分類結果按分類樹投票形成的分數而定。實質上是改進決策樹算法，多個決策樹進行合并，每棵樹的建立取決于單獨抽取的一個樣品，森林中的每棵樹都有相同的分布，分類誤差取決于每一棵樹的分類能力和它們之間的相關性。針對多種數據源，可以產生高精確度的分類器；可以處理多維輸入變量；決定目標對象類別時，評估變量重要性和優先級；針對一般化后的誤差，在內部生成無偏差估計；在數據丟失后，仍然可以維持準確度。

發明內容

本發明運用機器學習算法，結合ADB粒子群算法，提出了一種分析股票趨勢的方法。為了解決原有BPSO-RF模型的缺點，通過在離散二進制粒子群中引進多點速度向量和自適應速度值的改進，提高全局最優值搜索能力和復雜優化問題的收斂速度，從而提高隨機森林算法的精確度和降低預測時間。

本發明提出的分析股票趨勢的方法，包含以下步驟：

S1、獲取股票數據，形成特征數據集；

S2、初始化股票數據集的速度與位置信息；

S3、更新每一個粒子點的局部最優值點、每一個粒子每一維的迭代步數和自適應速度值；

S4、更新所有粒子點的速度及位置，從所有粒子歷史局部最優值點中找到種群的全局最優值點；

S5、若迭代步驟超過迭代步驟的上限或最優特征被找到，轉到S6，否則返回S3；

S6、根據S5中的最優特征構建數據矩陣；

S7、根據S6中的數據矩陣進行RF分類，得到分類結果，進行股票預測，預測結果正確率與BPSO—RF算法相比較。