基于行為特征和分形降維的股價(jià)趨勢(shì)預(yù)測(cè)方法研究.pdf

1、隨著機(jī)器學(xué)習(xí)和人工智能的飛速發(fā)展，這些技術(shù)被越來(lái)越多地應(yīng)用在金融領(lǐng)域中的股票市場(chǎng)上。在大部分股價(jià)預(yù)測(cè)研究中，股票指標(biāo)被廣泛地應(yīng)用在各種預(yù)測(cè)模型中。作為一個(gè)統(tǒng)計(jì)學(xué)的范疇，股票指標(biāo)根據(jù)一定的數(shù)學(xué)統(tǒng)計(jì)方法，使用統(tǒng)計(jì)學(xué)數(shù)值來(lái)論證股價(jià)和買(mǎi)賣(mài)的趨向，證券市場(chǎng)上已有相當(dāng)數(shù)量的股票指標(biāo)，本文在股票指標(biāo)基礎(chǔ)上提取新的行為特征用以預(yù)測(cè)股價(jià)趨勢(shì)。
　　目前有很多相關(guān)的研究使用股票指標(biāo)數(shù)值通過(guò)機(jī)器學(xué)習(xí)方法來(lái)預(yù)測(cè)股價(jià)趨勢(shì)，然而其中大部分研究只是把重點(diǎn)放在預(yù)

2、測(cè)模型本身的改進(jìn)上，并沒(méi)有對(duì)作為輸入特征的股票指標(biāo)做進(jìn)一步的分析，僅僅把這些股票指標(biāo)的數(shù)值單純地作為模型的輸入特征，而沒(méi)有考慮到指標(biāo)當(dāng)初被設(shè)計(jì)時(shí)的使用方式。
　　為了提高股價(jià)預(yù)測(cè)模型的學(xué)習(xí)效率和預(yù)測(cè)效果，本文采用指標(biāo)統(tǒng)計(jì)分析手段優(yōu)化行為導(dǎo)向的股票指標(biāo)特征，并使用分形降維算法，發(fā)現(xiàn)其中冗余的股票指標(biāo)，削減噪聲特征。部分行為導(dǎo)向的指標(biāo)，即指標(biāo)的數(shù)值大小并無(wú)意義，只有指標(biāo)函數(shù)表現(xiàn)出穿插等特定的行為時(shí)才具有實(shí)際意義，如KDJ指標(biāo)。針對(duì)這樣

3、的行為導(dǎo)向指標(biāo)，本文采用對(duì)指標(biāo)間行為量化的方法，達(dá)到優(yōu)化指標(biāo)的目的。本文實(shí)驗(yàn)驗(yàn)證優(yōu)化后的行為導(dǎo)向指標(biāo)具備更好的區(qū)分度和預(yù)測(cè)能力。
　　在指標(biāo)降維方面，對(duì)于傳統(tǒng)的降維方法如奇異值分解（SVD），其降維結(jié)果會(huì)破壞原數(shù)據(jù)集，難以對(duì)降維后的數(shù)據(jù)進(jìn)行分析。因此針對(duì)股票指標(biāo)特征集合這種特殊的數(shù)據(jù)集，本文改進(jìn)了一種基于分形維度的降維算法以適應(yīng)較大規(guī)模的股票指標(biāo)數(shù)據(jù)集的運(yùn)算，并在此基礎(chǔ)上實(shí)現(xiàn)了股票指標(biāo)篩選。通過(guò)實(shí)驗(yàn)對(duì)比，新的分形降維算法表現(xiàn)出較好