[發(fā)明專利]廣義的基于多任務非對稱臨近支持向量機的股票價格預測方法

在審

• 申請?zhí)枺?/td>: 202011504526.5
• 申請日: 2020-12-18
• 公開（公告）號: CN112561702A
• 公開（公告）日: 2021-03-26
• 發(fā)明（設計）人: 吳青;張恒昌;高小鳳;王凡
• 申請（專利權）人: 西安郵電大學
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06Q10/04;G06Q10/06
• 代理公司: 西安智邦專利商標代理有限公司 61211
• 代理人: 胡樂

1.廣義的基于多任務非對稱臨近支持向量機的股票價格預測方法，其特征在于，包括以下步驟：

步驟1：獲取若干個股票指數(shù)在預測日之前的交易日行情數(shù)據(jù)并進行預處理，得到數(shù)據(jù)集；每個股票指數(shù)為一個單獨的學習任務；

步驟2：構造非對稱平方ε不敏感損失函數(shù)，調(diào)節(jié)超參數(shù)使其更好地適應所述數(shù)據(jù)集的分布特性；

步驟3：根據(jù)多任務學習假設，在臨近支持向量機的基礎上建立基于多任務非對稱臨近支持向量機的數(shù)學優(yōu)化模型；

步驟4：對多任務學習假設中的通用模型和私有模型采用相同或不同的核函數(shù)區(qū)分學習任務間的通用信息和私有信息，得到廣義的基于多任務非對稱臨近支持向量機的數(shù)學優(yōu)化模型；

步驟5：由KKT條件將廣義的基于多任務非對稱臨近支持向量機的數(shù)學優(yōu)化模型轉(zhuǎn)化為其對偶規(guī)劃問題；

步驟6：通過求解對偶規(guī)劃問題得到廣義的基于多任務非對稱臨近支持向量機的決策函數(shù)；從所述數(shù)據(jù)集中取出部分數(shù)據(jù)作為訓練樣本集，利用訓練樣本集學習得到股票指數(shù)預測模型；

步驟7：從所述數(shù)據(jù)集中取出目標股票指數(shù)對應的數(shù)據(jù)，通過所述股票指數(shù)預測模型輸出股票指數(shù)預測結果。

2.根據(jù)權利要求1所述的廣義的基于多任務非對稱臨近支持向量機的股票價格預測方法，其特征在于，步驟1中所述若干個股票指數(shù)包括上證指數(shù)、深證成指、創(chuàng)業(yè)板指數(shù)以及中小板指數(shù)；歷史行情數(shù)據(jù)包括每個交易日的前收盤價、最高價、最低價、收盤價、漲跌額、漲跌幅、成交量、成交額、換手率、振幅、總市值、流通市值、市盈率、市凈率、市現(xiàn)率、市銷率、開盤價。

3.根據(jù)權利要求1所述的廣義的基于多任務非對稱臨近支持向量機的股票價格預測方法，其特征在于，步驟2中構造的非對稱平方ε不敏感損失函數(shù)為

其中ε值決定不敏感區(qū)域的寬度，表示決策函數(shù)對預測結果的容錯程度；p是與非對稱特性相關的參數(shù)，用來改變損失函數(shù)的形狀以盡可能地適應所述數(shù)據(jù)集的分布特性。

4.根據(jù)權利要求1所述的廣義的基于多任務非對稱臨近支持向量機的股票價格預測方法，其特征在于，步驟3中構建多任務學習假設為：對于彼此不同卻相互關聯(lián)的學習任務，所有任務之間共享一個通用模型ρ₀，同時每個子任務具有私有模型η_t，則每個子任務的決策函數(shù)表示為：

其中ω₀和分別表示通用模型的法向量和非線性映射函數(shù)，υ_t和φ(·)是私有模型中的法向量和非線性映射函數(shù)；b₀是通用模型ρ₀對應決策超平面的偏置項，b_t表示每個子任務私有模型η_t的偏置項。

5.根據(jù)權利要求4所述的廣義的基于多任務非對稱臨近支持向量機的股票價格預測方法，其特征在于，步驟3中多任務學習包括T個彼此不同卻相互關聯(lián)的子任務，表示所有學習任務的樣本屬性集，Y表示所有學習任務的樣本標簽集；每個任務中包含m_t個樣本點其中樣本屬性值樣本標簽值共有個數(shù)據(jù)點，T＞1。

6.根據(jù)權利要求5所述的廣義的基于多任務非對稱臨近支持向量機的股票價格預測方法，其特征在于，步驟3中建立的基于多任務非對稱臨近支持向量機的數(shù)學優(yōu)化模型為：

其中s為任務耦合參數(shù)，ν和C為正則化參數(shù)；p是非對稱特性相關參數(shù)，ε值決定不敏感區(qū)域的寬度，為第t個子任務的松弛向量，表示通過非線性映射從原始空間映射到高維特征空間的第t個子任務的數(shù)據(jù)集，表示元素均為1的列向量，b_t表示第t個子任務私有模型的偏置項。

7.根據(jù)權利要求6所述的廣義的基于多任務非對稱臨近支持向量機的股票價格預測方法，其特征在于，步驟4得到的廣義的基于多任務非對稱臨近支持向量機的優(yōu)化模型如下：

其中表示通過核映射φ(·)從原始空間映射到高維特征空間的第t個子任務的數(shù)據(jù)集，其他符號與式(3)中的含義相同。