[發明專利]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

• 申請號: 202011504526.5
• 申請日: 2020-12-18
• 公開（公告）號: CN112561702A
• 公開（公告）日: 2021-03-26
• 發明（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

本發明提出一種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，解決現有股市預測方法由于忽略了各股票指數間的交叉關聯信息和數據集的分布特性，存在較大的局限性，導致預測精度和魯棒性不佳的問題。該預測方法主要包括以下環節：獲取若干個股票交易日行情數據并進行預處理，得到數據集；構造非對稱平方ε不敏感損失函數，調節超參數使其更好地適應數據集的分布特性；根據多任務學習假設建立廣義的基于多任務學習非對稱臨近支持向量機的股票價格預測的數學優化模型；由KKT條件，將廣義的基于多任務學習非對稱臨近支持向量機的股票價格預測模型的原規劃問題轉化為對偶規劃問題；求解對偶規劃得到股票價格預測模型的決策函數。

技術領域

本申請涉及適用于商業、金融趨勢信息預測的數據處理方法，具體涉及一種股票價格預測方法。

背景技術

股票市場的穩定發展是國家政府和投資者關注的焦點，分析股票市場指數的運行趨勢以及股票價格的波動變化成為學術界和金融界廣泛熱議的課題。至今，國內外學者在股市預測方面已經進行了大量研究，但由于股票市場自身具有復雜非線性、高維度、噪聲敏感以及不穩定性等特征，使得對其進行合理且準確的波動預測分析顯得尤為困難。

現有的股市預測方法主要分為三類：市場技術分析、基本面分析以及量化分析方法。市場技術分析方法通過研究股票價格的形態曲線來挖掘其中的周期性規律，從而預判股票價格指數的運行趨勢和波動范圍。該法需要遵循“量、價、時、空”要素的復雜組合變化且難以避免時間的滯后性，當不同的技術指標間相互背離時容易引發對市場趨勢的誤判。基本面分析方法主要從宏觀市場經濟、行業發展前景以及企業發展潛能三個維度來評估企業的盈利能力，需要從業人員掌握完備的金融市場經濟理論及研究分析方法，同時對股票的價格僅能從定性的角度給出模糊的方向性決策，要應用于國內逐步完善的股票市場會相當受限。量化分析方法則主要是通過對股票價格指數的波動變化建立數學優化模型，并利用歷史數據進行回測對模型不斷進行修正，再借助優化模型來分析未來股票價格的短期波動趨勢。這種通過構建模型并定量分析的方法不僅能夠充分地利用歷史數據信息，同時能夠更清晰地反映股價波動的規律。目前典型的量化分析方法主要包括時間序列挖掘、復雜神經網絡、模糊神經系統、機器學習等。

由于機器學習大量應用于回歸預測領域，利用機器學習對股票市場進行量化分析受到學者們的廣泛關注。支持向量機具有全局收斂、樣本維數不敏感、泛化性能強等優勢，因此被應用于單個股票價格的預測分析。支持向量機對單個任務的預測可以取得良好的結果，但由于其忽略了學習任務間的關聯性而不能很好地發揮算法的優勢。在股票市場當中，多個股票價格指數往往具有非常相似的歷史波動軌跡，這種現象更加反映出單任務學習的應用局限性。針對彼此間緊密關聯的學習任務，使用多任務學習可以同時進行訓練并捕獲不同任務間的有用信息，從而提升算法的泛化性能。同時，多任務學習可以有效緩解數據匱乏的難題，因此在圖像識別、自然語音識別、財務風險預測等領域得到廣泛的應用。有學者提出了多任務臨近支持向量機方法，但是在其優化問題的目標函數中使用了平方損失函數，這導致該算法具有較強的局限性，使其不能很好地應用于實際場景。

以上介紹的技術信息旨在幫助讀者快速理解相關背景技術、本申請的目的以及構思，因此可能包含并不構成本領域技術人員公知的現有技術的信息和考慮因素。

發明內容

本申請的目的在于：解決現有股市預測方法由于忽略了各股票指數間的交叉關聯信息和數據集的分布特性，存在較大的局限性，導致預測精度和魯棒性不佳的問題。