CN106530082A - 基于多机器学习的股票预测方法及系统 - Google Patents
基于多机器学习的股票预测方法及系统 Download PDFInfo
- Publication number
- CN106530082A CN106530082A CN201610942370.6A CN201610942370A CN106530082A CN 106530082 A CN106530082 A CN 106530082A CN 201610942370 A CN201610942370 A CN 201610942370A CN 106530082 A CN106530082 A CN 106530082A
- Authority
- CN
- China
- Prior art keywords
- stock
- price
- prediction
- model
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于多机器学习的股票预测方法及系统,方法包括以下步骤:获取股票交易历史数据,并基于特征选择和实际操作经验选择数据的模型,以作为训练的输入训练集;基于神经网络理论构建神经网络模型,其中,神经网络模块包括输入层、第一至第三隐藏层和输出层;基于决策树算法和极限向量机算法,根据输入训练集和神经网络模型构建决策模型,并根据决策模型得到股票预测结果及股票交易建议。本发明能够准确预测股票走势,并给出合理的股票交易建议,具有预测结果准确度高的优点。
Description
技术领域
本发明涉及股票量化技术领域,特别涉及一种基于多机器学习的股票预测方法及系统。
背景技术
数据分析挖掘可以定义为“数据中的知识发现”。包括以下几个步骤,第一步为清理数据,主要指删除不一致数据并去除数据噪声;第二步是集成数据,由于数据来源多样,故需要将其组合起来;第三步是对数据进行选择,剔除无关数据,提取和任务相关的数据;第四步是对数据进行变化,使数据统一形式或者变换成适合挖掘的数据格式;第五步是使用数据挖掘分析算法智能分析数据,提取出数据模式;第六步是模式评估,根据需求确定度量方向,识别出最准确的模式,并给出相应指标;第七步是可视化的知识表示,通过可视化等表示技术提供知识挖掘的最终结果。
预测是一种重要的数据分析形式,数据预测是一个由学习阶段和预测阶段组成的两阶段过程,在第一阶段即学习阶段通过从训练集“学习”或者分析分类算法构造分类器。数据库中数据的元组(样本)以及与其相关联的类符号组成了训练集。由于类标号的存在,整个训练过程是有监督的,可以把学习阶段看作学习一个映射函数,输入输出都是既定的。而在第二阶段,主要是使用模型对测试集数据进行预测,评估预测准确率等指标。所谓准确率是指是指分类器分类正确的测试集元组所占全部元组的百分比。
大多数学者认为,股票指数是为时间序列相关的数据,即通过研究历史数据,对股票指数的发展可以得到一定的预测结果,从金融学来讲,由于股票市场的高收益与高风险并存的特性,股票预测对于算法的要求很高,传统方法主要包括基本分析法和技术分析法,分别通过市场因素如供求关系和统计学分析来分析股票走势,预测难度较大,且预测结果准确性不高。
发明内容
本发明旨在至少解决上述技术问题之一。
为此,本发明的一个目的在于提出一种基于多机器学习的股票预测方法,该方法能够准确预测股票走势,并给出合理的股票交易建议,具有预测结果准确度高的优点。
本发明的另一个目的在于提出一种基于多机器学习的股票预测系统。
为了实现上述目的,本发明第一方面的实施例公开了一种基于多机器学习的股票预测方法,包括以下步骤:获取股票交易历史数据,并基于特征选择和实际操作经验选择数据的模型,以作为训练的输入训练集;基于神经网络理论构建神经网络模型,其中,所述神经网络模块包括输入层、第一至第三隐藏层和输出层;基于决策树算法和极限向量机算法,根据所述输入训练集和所述神经网络模型构建决策模型,并根据所述决策模型得到股票预测结果及股票交易建议。
另外,根据本发明上述实施例的基于多机器学习的股票预测方法还可以具有如下附加的技术特征:
在一些示例中,所述基于特征选择和实际操作经验选择数据的模型,具体包括:从所述股票交易历史数据中选取前六天的股票参数来预测第七天的股票;通过关联分析,选取股票的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量作为模型输入的参数。
在一些示例中,所述神经网络模型,包括:维度为6*6的线性输入层作为所述输入层;Sigmoid函数作为激活函数的隐藏节点数为9的第一隐藏层;Sigmoid函数作为激活函数的隐藏节点数为7的第二隐藏层;Sigmoid函数作为激活函数的隐藏节点数为5的第三隐藏层;Tanh函数作为激活函数的所述输出层。
在一些示例中,所述基于决策树算法和极限向量机算法,根据所述输入训练集和所述神经网络模型构建及决策模型,并根据所述决策模型得到股票预测结果,进一步包括:基于决策树算法,根据所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;基于极限向量机算法,根据所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;根据所述神经网络模型和所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;根据所述决策树算法得到的预测结果、极限向量机算法得到的预测结果和所述神经网络模型的到的预测结果得到所述股票预测结果及股票交易建议。
根据本发明实施例的基于多机器学习的股票预测方法,能够根据股票交易信息的历史数据,构建神经网络、决策树、在线极限学习机三种回归模型,与单个模型预测性能相比,对于股价曲线趋势的预测与股价预测准确度有明显提升,20天内股价预测误差率缩小到10%以内;另一方面,能够根据多回归模型专家系统给出股票交易建议。采用决策树、极限向量机,bp神经网络,构成专家系统,由专家系统投票,若多数预测结果认为股票涨,则根据本金,继续持有或购进;若多数预测结果为股票跌,则抛出。对于单只股票回测,年收益率达到90.6%。
为了实现上述目的,本发明第二方面的实施例公开了一种基于多机器学习的股票预测系统,包括:特征选择模块,所述特征选择模块用于获取股票交易历史数据,并基于特征选择和实际操作经验选择数据的模型,以作为训练的输入训练集;模型构建模块,所述模型构建模块用于基于神经网络理论构建神经网络模型,其中,所述神经网络模块包括输入层、第一至第三隐藏层和输出层;预测模块,所述预测模块用于基于决策树算法和极限向量机算法,根据所述输入训练集和所述神经网络模型构建决策模型,并根据所述决策模型得到股票预测结果及股票交易建议。
另外,根据本发明上述实施例的基于多机器学习的股票预测系统还可以具有如下附加的技术特征:
在一些示例中,所述特征选择模块用于从所述股票交易历史数据中选取前六天的股票参数来预测第七天的股票,并通过关联分析,选取股票的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量作为模型输入的参数。
在一些示例中,所述神经网络模型,包括:维度为6*6的线性输入层作为所述输入层;Sigmoid函数作为激活函数的隐藏节点数为9的第一隐藏层;Sigmoid函数作为激活函数的隐藏节点数为7的第二隐藏层;Sigmoid函数作为激活函数的隐藏节点数为5的第三隐藏层;Tanh函数作为激活函数的所述输出层。
在一些示例中,所述预测模块用于:基于决策树算法,根据所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;基于极限向量机算法,根据所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;根据所述神经网络模型和所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;根据所述决策树算法得到的预测结果、极限向量机算法得到的预测结果和所述神经网络模型的到的预测结果得到所述股票预测结果及股票交易建议。
根据本发明实施例的基于多机器学习的股票预测系统,能够根据股票交易信息的历史数据,构建神经网络、决策树、在线极限学习机三种回归模型,与单个模型预测性能相比,对于股价曲线趋势的预测与股价预测准确度有明显提升,20天内股价预测误差率缩小到10%以内;另一方面,能够根据多回归模型专家系统给出股票交易建议。采用决策树、极限向量机,bp神经网络,构成专家系统,由专家系统投票,若多数预测结果认为股票涨,则根据本金,继续持有或购进;若多数预测结果为股票跌,则抛出。对于单只股票回测,年收益率达到90.6%。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明实施例的基于多机器学习的股票预测方法的流程图;以及
图2是根据本发明一个实施例的神经网络模型的结构示意图;
图3是根据本发明一个实施例的决策树网络模型示意图;以及
图4是根据本发明实施例的基于多机器学习的股票预测系统的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
以下结合附图描述根据本发明实施例的基于多机器学习的股票预测方法及系统。
图1是根据本发明一个实施例的基于多机器学习的股票预测方法的流程图。如图1所示,该方法包括以下步骤:
步骤S1:获取股票交易历史数据,并基于特征选择和实际操作经验选择数据的模型,以作为训练的输入训练集。
在本发明的一个实施例中,基于特征选择和实际操作经验选择数据的模型,具体包括:从股票交易历史数据中选取前六天的股票参数来预测第七天的股票;通过关联分析,选取股票的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量作为模型输入的参数。换言之,即通过关联分析选取与输出信号关系密切的参数作为输入特征,提供回归依据。
以下对基于关联分析与实际经验的特征选择方法详细描述。具体地说,关联规则的主要测度指标有两个,分别是规则的置信度和规则的支持度。规则置信度是对关联关系准确性的测量,即事件X发生的条件下事件Y发生的可能性,其数学表达式为:
C_(X→Y)=|T(X∩Y)|/|T(X)|
规则支持度则表示事件X和事件Y同时出现的概率,其数学表达式为:
S_(X→Y)=|T(X∩Y)|/|T|
置信度反应的是X给定的情况下Y发生的概率,置信度高说明X发生的情况下Y发生的概率高。规则支持度是事件关联规则普遍性的测度,如果支持度过低,则说明该规则不具备一般性,无法推广。
进一步地,由关联发现可得昨日收盘价、开盘价、最高价、最低价、收盘价、成交量6个数据特征与输出关联度大,故选择此六维特征作为输入。由实际工程经验,由于股票数据为时间序列数据,具有时序性,前序股票数据对后序股票数据具有影响,故选择前六天的六维数据作为输入特征,训练回归模型。
步骤S2:基于神经网络理论构建神经网络模型,其中,神经网络模块包括输入层、第一至第三隐藏层和输出层。更为具体地,在本发明的一个实施例中,神经网络模型例如包括:维度为6*6的线性输入层作为输入层;Sigmoid函数作为激活函数的隐藏节点数为9的第一隐藏层;Sigmoid函数作为激活函数的隐藏节点数为7的第二隐藏层;Sigmoid函数作为激活函数的隐藏节点数为5的第三隐藏层;Tanh函数作为激活函数的输出层。
以下结合附图对神经网络模型进行详细描述。具体地说,神经网络主要由激活函数、网络结构以及学习规则三要素组成。激活函数用于对求和单元的计算结果进行函数运算得到神经元的输出,网络结构主要由输入层、自定义隐藏层、输出层组成,例如图2所示。其中,第一层输出可以表示为:
最终输出为:(Rn→Rm的非线性映射)学习规则分为有监督和无监督两种,由于本发明的实施例存在期望输出,故为有监督学习。
多层前向网络的输出层采用Sigmoid激活函数:输出值将会被限定在(0,1)范围内,并通过反向传播算法进行学习和修正,经过多次迭代得到神经网络模型。
基于此构建神经网络模型例如为:
维度为6*6的线性输入层;
Sigmoid函数作为激活函数的隐藏节点数为9的第一隐藏层;
Sigmoid函数作为激活函数的隐藏节点数为7的第二隐藏层;
Sigmoid函数作为激活函数的隐藏节点数为5的第三隐藏层;
Tanh函数作为激活函数的输出层。
步骤S3:基于决策树算法和极限向量机算法,根据输入训练集和神经网络模型构建决策模型,并根据决策模型得到股票预测结果及股票交易建议。
在本发明的一个实施例中,基于决策树算法和极限向量机算法,根据输入训练集和神经网络模型构建及决策模型,并根据决策模型得到股票预测结果,进一步包括:基于决策树算法,根据步骤S1中得到的模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;基于极限向量机算法,根据步骤S1中得到的模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;根据神经网络模型和步骤S1中得到的模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;根据决策树算法得到的预测结果、极限向量机算法得到的预测结果和神经网络模型的到的预测结果得到股票预测结果及股票交易建议。具体地说,即根据基于决策树、极限向量机、神经网络三种回归模型,构建投票系统,由专家投票给出股票预测结果及股票交易建议。
以下对基于决策树算法和极限向量机算法,根据输入训练集和神经网络模型构建的决策模型进行详细描述。具体地说,决策树是一种基本分类器,它将结果展示为一颗倒置的树,并由该决策树归纳出相应的规则,最终给出规则模型。决策树由根节点、内部节点和叶节点组成,例如图3所示,最左侧的节点为根节点,中间节点为内部节点,同层节点之间为兄弟节点,最右侧节点为叶节点。从每个节点出发的路径则代表某种可能。对新数据进行预测时,只要按照决策树的层次,从根节点开始一次对新数据输入的值进行判断,之后进入下一层,直到叶节点为止。本发明的实施例中采用C4.5算法,其关键位计算节点的信息增益率,流程如下:
第一步,遍历数据集中的所有数据,如果需要预处理,对数据进行两方面的预处理。一方面是离散化处理连续变量,另一方面是补齐缺失数据。
第二步,对于训练集D的样本,如果D中样本属性集合是空集,或者所有样本属性相同,那么就生成叶子节点,从而算法得以结束,否则执行第三步。
第三步,取出训练集中每个属性,对于每个属性和其目标属性的取值,计算信息增益,从而进一步计算每个属性的信息增益率。
第四步,作为分裂节点的属性的选择的是信息增益率最大的,选择好分裂节点后把训练集划分成n个子集,被选择作为分裂节点的属性的值的个数决定n的值,之后,对每一个子集返回执行上述第二步。
另一方面,在线极限学习机(基线向量机)基于极限学习机理论,可以根据实际数据的变化更新模型参数。极限学习机是一种求解单隐层前馈神经网络的算法,其优势在于,在保证精度的前提下,算法速度较其他传统学习算法更快。而在线学习机可以通过加入新的数据实时更新模型的参数,从而保持模型的更高性能。流程如下:
步骤一,设输入为N0对(Xi,ti),其中Xi=[xi1,xi2,...,xin],ti=[ti1,ti2,...,tin],为随机初始化输入权重αi与输入偏置bi,i=1,2...N。
步骤二,计算隐层输出矩阵:
步骤三,计算输出权重β(0)=P0H0 TT0,其中P0=(H0 TH0)-1,
步骤四,进行在线学习,一批引入Ni个样本,更新Hi。
步骤五,计算β(i),其中:
步骤六,得到回归模型Hiβ(i)。
进一步地,根据神经网络模型、决策树、在线极限学习机可以得到三个回归模型,针对输入数据也可以得到三种预测结果,如果预测股价上涨标记为1,预测股票下跌标记为-1。并为三种方法分配权重,分别为0.4,0.3,0.3,加权求和后的结果为正则专家系统预测股价上涨,结果越接近于1,上涨的可能性越高;加权求和后的结构为负则专家系统预测股价下跌,结果越接近于-1,下跌可能性越高。
综上,根据本发明实施例的基于多机器学习的股票预测方法,能够根据股票交易信息的历史数据,构建神经网络、决策树、在线极限学习机三种回归模型,与单个模型预测性能相比,对于股价曲线趋势的预测与股价预测准确度有明显提升,20天内股价预测误差率缩小到10%以内;另一方面,能够根据多回归模型专家系统给出股票交易建议。采用决策树、极限向量机(elm),bp神经网络,构成专家系统,由专家系统投票,若多数预测结果认为股票涨,则根据本金,继续持有或购进;若多数预测结果为股票跌,则抛出。对于单只股票回测,年收益率达到90.6%。
本发明的进一步实施例提出了一种基于多机器学习的股票预测系统。
图4是根据本发明一个实施例的基于多机器学习的股票预测系统的结构框图。如图4所示,该基于多机器学习的股票预测系统100包括:特征选择模块110、模型构建模块120和预测模块130。
其中,特征选择模块110用于获取股票交易历史数据,并基于特征选择和实际操作经验选择数据的模型,以作为训练的输入训练集。
具体地,在本发明的一个实施例中,特征选择模块110用于从股票交易历史数据中选取前六天的股票参数来预测第七天的股票,并通过关联分析,选取股票的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量作为模型输入的参数。
模型构建模块120用于基于神经网络理论构建神经网络模型,其中,神经网络模块包括输入层、第一至第三隐藏层和输出层。更为具体地,在本发明的一个实施例中,神经网络模型例如包括:维度为6*6的线性输入层作为输入层;Sigmoid函数作为激活函数的隐藏节点数为9的第一隐藏层;Sigmoid函数作为激活函数的隐藏节点数为7的第二隐藏层;Sigmoid函数作为激活函数的隐藏节点数为5的第三隐藏层;Tanh函数作为激活函数的输出层。
预测模块130用于基于决策树算法和极限向量机算法,根据输入训练集和神经网络模型构建决策模型,并根据决策模型得到股票预测结果及股票交易建议。
具体地,在本发明的一个实施例中,预测模块130用于:基于决策树算法,根据模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;基于极限向量机算法,根据模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;根据神经网络模型和模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;根据决策树算法得到的预测结果、极限向量机算法得到的预测结果和神经网络模型的到的预测结果得到股票预测结果及股票交易建议。
需要说明的是,本发明实施例的基于多机器学习的股票预测系统的具体实现方式与本发明实施例的基于多机器学习的股票预测方法的具体实现方式类似,具体请参见方法部分的描述,为了减少冗余,此处不再赘述。
综上,根据本发明实施例的基于多机器学习的股票预测系统,能够根据股票交易信息的历史数据,构建神经网络、决策树、在线极限学习机三种回归模型,与单个模型预测性能相比,对于股价曲线趋势的预测与股价预测准确度有明显提升,20天内股价预测误差率缩小到10%以内;另一方面,能够根据多回归模型专家系统给出股票交易建议。采用决策树、极限向量机,bp神经网络,构成专家系统,由专家系统投票,若多数预测结果认为股票涨,则根据本金,继续持有或购进;若多数预测结果为股票跌,则抛出。对于单只股票回测,年收益率达到90.6%。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同限定。
Claims (8)
1.一种基于多机器学习的股票预测方法,其特征在于,包括以下步骤:
获取股票交易历史数据,并基于特征选择和实际操作经验选择数据的模型,以作为训练的输入训练集;
基于神经网络理论构建神经网络模型,其中,所述神经网络模块包括输入层、第一至第三隐藏层和输出层;
基于决策树算法和极限向量机算法,根据所述输入训练集和所述神经网络模型构建决策模型,并根据所述决策模型得到股票预测结果及股票交易建议。
2.根据权利要求1所述的基于多机器学习的股票预测方法,其特征在于,所述基于特征选择和实际操作经验选择数据的模型,具体包括:
从所述股票交易历史数据中选取前六天的股票参数来预测第七天的股票;
通过关联分析,选取股票的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量作为模型输入的参数。
3.根据权利要求1所述的基于多机器学习的股票预测方法,其特征在于,所述神经网络模型,包括:
维度为6*6的线性输入层作为所述输入层;
Sigmoid函数作为激活函数的隐藏节点数为9的第一隐藏层;
Sigmoid函数作为激活函数的隐藏节点数为7的第二隐藏层;
Sigmoid函数作为激活函数的隐藏节点数为5的第三隐藏层;
Tanh函数作为激活函数的所述输出层。
4.根据权利要求2所述的基于多机器学习的股票预测方法,其特征在于,所述基于决策树算法和极限向量机算法,根据所述输入训练集和所述神经网络模型构建及决策模型,并根据所述决策模型得到股票预测结果,进一步包括:
基于决策树算法,根据所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;
基于极限向量机算法,根据所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;
根据所述神经网络模型和所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;
根据所述决策树算法得到的预测结果、极限向量机算法得到的预测结果和所述神经网络模型的到的预测结果得到所述股票预测结果及股票交易建议。
5.一种基于多机器学习的股票预测系统,其特征在于,包括:
特征选择模块,所述特征选择模块用于获取股票交易历史数据,并基于特征选择和实际操作经验选择数据的模型,以作为训练的输入训练集;
模型构建模块,所述模型构建模块用于基于神经网络理论构建神经网络模型,其中,所述神经网络模块包括输入层、第一至第三隐藏层和输出层;
预测模块,所述预测模块用于基于决策树算法和极限向量机算法,根据所述输入训练集和所述神经网络模型构建决策模型,并根据所述决策模型得到股票预测结果及股票交易建议。
6.根据权利要求5所述的基于多机器学习的股票预测系统,其特征在于,所述特征选择模块用于从所述股票交易历史数据中选取前六天的股票参数来预测第七天的股票,并通过关联分析,选取股票的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量作为模型输入的参数。
7.根据权利要求5所述的基于多机器学习的股票预测系统,其特征在于,所述神经网络模型,包括:
维度为6*6的线性输入层作为所述输入层;
Sigmoid函数作为激活函数的隐藏节点数为9的第一隐藏层;
Sigmoid函数作为激活函数的隐藏节点数为7的第二隐藏层;
Sigmoid函数作为激活函数的隐藏节点数为5的第三隐藏层;
Tanh函数作为激活函数的所述输出层。
8.根据权利要求6所述的基于多机器学习的股票预测系统,其特征在于,所述预测模块用于:
基于决策树算法,根据所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;
基于极限向量机算法,根据所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;
根据所述神经网络模型和所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量;
根据所述决策树算法得到的预测结果、极限向量机算法得到的预测结果和所述神经网络模型的到的预测结果得到所述股票预测结果及股票交易建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610942370.6A CN106530082A (zh) | 2016-10-25 | 2016-10-25 | 基于多机器学习的股票预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610942370.6A CN106530082A (zh) | 2016-10-25 | 2016-10-25 | 基于多机器学习的股票预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106530082A true CN106530082A (zh) | 2017-03-22 |
Family
ID=58293335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610942370.6A Pending CN106530082A (zh) | 2016-10-25 | 2016-10-25 | 基于多机器学习的股票预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530082A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242149A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于教育数据挖掘的学生成绩早期预警方法及系统 |
CN109255714A (zh) * | 2018-08-27 | 2019-01-22 | 深圳市利讯互联网金融服务有限公司 | 机器学习基金优选系统及其优选方法 |
WO2019192132A1 (zh) * | 2018-04-03 | 2019-10-10 | 平安科技(深圳)有限公司 | 股票走势预测装置、方法及可读存储介质 |
WO2019192135A1 (zh) * | 2018-04-03 | 2019-10-10 | 平安科技(深圳)有限公司 | 电子装置、债券收益率分析方法、系统及存储介质 |
WO2019214142A1 (zh) * | 2018-05-10 | 2019-11-14 | 平安科技(深圳)有限公司 | 电子装置、基于研报数据的预测方法、程序和计算机存储介质 |
CN111178767A (zh) * | 2019-12-31 | 2020-05-19 | 中国银行股份有限公司 | 风险控制方法及系统、计算机设备及计算机可读存储介质 |
CN113159941A (zh) * | 2021-02-02 | 2021-07-23 | 上海卡方信息科技有限公司 | 一种智能流式交易执行方法及装置 |
CN113781222A (zh) * | 2021-09-10 | 2021-12-10 | 上海卡方信息科技有限公司 | 一种基于机器学习的构建股票交易决策模型的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101276454A (zh) * | 2007-12-05 | 2008-10-01 | 中原工学院 | 基于bp神经网络的股市建模、预测及决策的方法 |
CN101477630A (zh) * | 2009-02-17 | 2009-07-08 | 吴俊� | 智能化水处理微生物机器视觉辨识系统和方法 |
CN103236013A (zh) * | 2013-05-08 | 2013-08-07 | 南京大学 | 一种基于关键股票集识别的股票市场大盘数据分析方法 |
CN103323228A (zh) * | 2013-07-02 | 2013-09-25 | 中煤科工集团西安研究院 | 一种矿用钻机故障智能识别方法 |
CN105787582A (zh) * | 2015-12-24 | 2016-07-20 | 清华大学 | 股票风险预测方法和装置 |
CN105930861A (zh) * | 2016-04-13 | 2016-09-07 | 西安西拓电气股份有限公司 | 一种基于Adaboost算法的变压器故障诊断方法 |
-
2016
- 2016-10-25 CN CN201610942370.6A patent/CN106530082A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101276454A (zh) * | 2007-12-05 | 2008-10-01 | 中原工学院 | 基于bp神经网络的股市建模、预测及决策的方法 |
CN101477630A (zh) * | 2009-02-17 | 2009-07-08 | 吴俊� | 智能化水处理微生物机器视觉辨识系统和方法 |
CN103236013A (zh) * | 2013-05-08 | 2013-08-07 | 南京大学 | 一种基于关键股票集识别的股票市场大盘数据分析方法 |
CN103323228A (zh) * | 2013-07-02 | 2013-09-25 | 中煤科工集团西安研究院 | 一种矿用钻机故障智能识别方法 |
CN105787582A (zh) * | 2015-12-24 | 2016-07-20 | 清华大学 | 股票风险预测方法和装置 |
CN105930861A (zh) * | 2016-04-13 | 2016-09-07 | 西安西拓电气股份有限公司 | 一种基于Adaboost算法的变压器故障诊断方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019192132A1 (zh) * | 2018-04-03 | 2019-10-10 | 平安科技(深圳)有限公司 | 股票走势预测装置、方法及可读存储介质 |
WO2019192135A1 (zh) * | 2018-04-03 | 2019-10-10 | 平安科技(深圳)有限公司 | 电子装置、债券收益率分析方法、系统及存储介质 |
WO2019214142A1 (zh) * | 2018-05-10 | 2019-11-14 | 平安科技(深圳)有限公司 | 电子装置、基于研报数据的预测方法、程序和计算机存储介质 |
CN109242149A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于教育数据挖掘的学生成绩早期预警方法及系统 |
CN109242149B (zh) * | 2018-08-13 | 2021-08-13 | 华中师范大学 | 一种基于教育数据挖掘的学生成绩早期预警方法及系统 |
CN109255714A (zh) * | 2018-08-27 | 2019-01-22 | 深圳市利讯互联网金融服务有限公司 | 机器学习基金优选系统及其优选方法 |
CN111178767A (zh) * | 2019-12-31 | 2020-05-19 | 中国银行股份有限公司 | 风险控制方法及系统、计算机设备及计算机可读存储介质 |
CN111178767B (zh) * | 2019-12-31 | 2022-05-20 | 中国银行股份有限公司 | 风险控制方法及系统、计算机设备及计算机可读存储介质 |
CN113159941A (zh) * | 2021-02-02 | 2021-07-23 | 上海卡方信息科技有限公司 | 一种智能流式交易执行方法及装置 |
CN113781222A (zh) * | 2021-09-10 | 2021-12-10 | 上海卡方信息科技有限公司 | 一种基于机器学习的构建股票交易决策模型的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530082A (zh) | 基于多机器学习的股票预测方法及系统 | |
Debrah et al. | Artificial intelligence in green building | |
Boral et al. | An integrated approach for fuzzy failure modes and effects analysis using fuzzy AHP and fuzzy MAIRCA | |
Xie et al. | Blockchain financial investment based on deep learning network algorithm | |
Mirahadi et al. | Simulation-based construction productivity forecast using neural-network-driven fuzzy reasoning | |
Rajab et al. | A review on the applications of neuro-fuzzy systems in business | |
Chen et al. | Constructing a stock-price forecast CNN model with gold and crude oil indicators | |
Islam et al. | A deep learning inspired belief rule-based expert system | |
Orouskhani et al. | Evolutionary dynamic multi-objective optimization algorithm based on Borda count method | |
CN113537600B (zh) | 一种全过程耦合机器学习的中长期降水预报建模方法 | |
Al-Khowarizmi et al. | Sensitivity of MAPE using detection rate for big data forecasting crude palm oil on k-nearest neighbor | |
CA3131688A1 (en) | Process and system including an optimization engine with evolutionary surrogate-assisted prescriptions | |
CN107742168A (zh) | 一种基于物联技术的生产车间动态瓶颈预测方法 | |
Lauguico et al. | A fuzzy logic-based stock market trading algorithm using bollinger bands | |
CN107644297A (zh) | 一种电机系统节能量计算和验证方法 | |
Kareem Kamoona et al. | Implementation of genetic algorithm integrated with the deep neural network for estimating at completion simulation | |
Gu et al. | Online evolving fuzzy rule-based prediction model for high frequency trading financial data stream | |
Dada et al. | Artificial neural network models for rainfall prediction | |
CN110084359A (zh) | 动态直觉模糊认知图构建方法、时间序列预测方法及系统 | |
Xu et al. | An optimized decomposition integration framework for carbon price prediction based on multi-factor two-stage feature dimension reduction | |
Boujamza et al. | Attention-based LSTM for remaining useful life estimation of aircraft engines | |
Vashisht et al. | Crop yield prediction using improved extreme learning machine | |
Shrivastava et al. | Deep learning model for temperature prediction: an empirical study | |
CN110827134A (zh) | 一种电网企业财务健康诊断方法 | |
Rajab et al. | Neuro-fuzzy approach in business applications: a decade survey |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170322 |