CN108229750A - 一种股票收益率预测方法 - Google Patents
一种股票收益率预测方法 Download PDFInfo
- Publication number
- CN108229750A CN108229750A CN201810042829.6A CN201810042829A CN108229750A CN 108229750 A CN108229750 A CN 108229750A CN 201810042829 A CN201810042829 A CN 201810042829A CN 108229750 A CN108229750 A CN 108229750A
- Authority
- CN
- China
- Prior art keywords
- index
- drosophila
- stock
- dimension
- model
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种股票收益率预测方法,包括步骤:首先利用源数据构造技术指标,计算技术指标的多重分形维数;然后利用果蝇计算方法和多重分形维数相结合对构造的技术指标进行特征选择,将选出的特征作为模型输入;最后根据输入的特征利用长短时记忆网络和全连接层配合构建网络模型进行收益率预测。本发明主要利用技术指标对收益率进行预测,为投资者的交易行为提供较有价值的参考,具有可行性和优越性。
Description
技术领域
本发明提出一种股票收益率预测方法,涉及金融预测技术领域。
背景技术
股票预测的研究一直是金融领域研究的重点,大量的实验研究表明,股票市场具有非线性、非平稳、高噪声的特点,股票市场是一个非线性系统。股票预测技术分为基本面分析和其他技术分析。在基本面分析中,投资者通过分析公司的财务状况、经济环境和政策方向估计股票的未来价值;技术分析是基于一组由股票价格产生的技术指标,预测下一交易期间股票指数,通常是用在短期或中期的股票预测。
近年来,利用机器学习技术提高股票价格及其趋势的预测性能已成为研究的热点,但是大部分的机器学习算法容易陷入局部最优,且预测精度都不高。深度学习是机器学习中一个新的领域,采用与传统人工神经网络不同的训练机制,克服了传统神经网络出现的问题,具有很好的预测性。
本发明提出一种股票收益率预测方法,构建了一种基于多重分形及果蝇算法和长短时记忆网络(MFFLSTM, MultiFractal-FOA-LSTM)的股票收益率预测模型,该模型将多重分形算法和果蝇计算方法相结合,优化循环神经网络的输入特征,提高传统LSTM的预测准确率;首先利用源数据构造技术指标,计算技术指标的多重分形维数;然后利用果蝇计算方法和多重分形维数相结合对构造的技术指标进行特征选择,将选出的特征作为模型输入;最后根据输入的特征利用长短时记忆网络和全连接层配合构建网络模型进行收益率预测。本发明主要利用技术指标对收益率进行预测,为投资者的交易行为提供较有价值的参考,具有可行性和优越性。
发明内容
有鉴于此,本发明的主要目的在于将多重分形维数与果蝇计算方法相结合,减少冗余的特征量,优化长短时记忆网络输入,避免模型陷入局部最优,提高股票预测的准确性。
为了达到上述目的,本发明提出的技术方案为:
一种股票收益率预测方法,所述评估方法包括如下步骤:
步骤1、利用源数据构造技术指标,计算技术指标的多重分形维数D,D为实数;
步骤2、针对构造的技术指标,利用果蝇计算方法和多重分形维数相结合对其进行特征选择;
步骤3、利用长短时记忆网络和全连接层配合构建预测模型,将选出的特征作为模型输入,收益率作为模型的输出进行预测,根据模型预测值进行交易。
综上所述,本发明所述将多重分形维数与果蝇计算方法相结合,减少冗余的特征量,优化长短时记忆网络输入,避免模型陷入局部最优,提高股票趋势预测的准确率。首先利用源数据构造技术指标,计算技术指标的多重分形维数;然后利用果蝇计算方法对构造的技术指标进行选择,将选出的技术指标作为模型输入;最后利用长短时记忆网络构建股票预测模型进行预测并根据预测值进行交易。
附图说明
图1为本发明所述的一种股票收益率预测方法的总体流程示意图;
图2为本发明计算技术指标的多重分形维数的流程示意图;
图3为本发明选取技术指标作为模型输入的流程示意图;
图4为本发明构建预测模型的流程示意图;
图5为本发明方法对5日收益率预测结果示意图;
图6为本发明方法根据预测值做单的结果示意图。
具体实施方式
下面将结合本发明的附图,对本发明的技术方案进行清楚、完整地描述,显然,所举实例用于解释说明,并非限定本发明的实施方式,本发明也可以通过其它不同的具体实施方式实施。本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明所述的一种股票收益率预测方法的总体流程示意图。如图1所示,本发明所述股票收益率预测模型,包括如下步骤:
步骤1、利用源数据构造技术指标,计算技术指标的多重分形维数D,D为实数;
步骤2、针对构造的技术指标,利用果蝇计算方法和多重分形维数相结合对其进行特征指标选择;
步骤3、利用长短时记忆网络和全连接层配合构建预测模型,将选出的特征作为模型输入,收益率作为模型的输出进行预测,根据模型预测值进行交易。
总之,本发明所述的一种股票收益率预测方法首先是利用源数据构造技术指标,利用多重分形算法计算技术指标的分形维数;再利用果蝇算法对构造的技术指标进行特征选择,将选出的技术指标作为模型输入,由于果蝇计算方法具有较强的全局寻优能力,结合分形维数可以有效减少输入的冗余数据,优化模型输入;最后利用长短时记忆网络构建股票收益率预测模型,得到预测值,并根据预测值进行交易。
图2为本发明所述计算技术指标的多重分形维数的流程示意图。如图2所示,步骤1中,利用多重分形算法计算分形维数包括如下步骤:
步骤11、选取天数据,利用股指的开盘价、最高价、最低价、收盘价、交易量构造m个技术指标,m和都是自然数且m>20,得到一个多元时间序列;
步骤12、将的每一维对应一个时间尺度,这些尺度的乘积作为基准的超体体积,将基准体积设定为标准1,则整个时间序列覆盖的超体体积为:
其中分别为第i个变量在该基准尺度下的最大值与最小值;
步骤13、将每一维的测量尺度扩大M倍,M为大于2的自然数,则相应的基准超体体积扩大倍,此时整个时间序列覆盖的超体体积为:
步骤14、不断增大M,利用最小二乘法拟合,直线斜率的相反数为时间序列的多重分形维数D。
图3为本发明选取技术指标作为模型输入的流程示意图。如图3所示,步骤2中,利用果蝇计算方法对构造的技术指标进行特征选择,将选出的技术指标作为模型输入,包括如下步骤:
步骤21、根据多元时间序列的多重分形维数D,确定选取的特征指标的个数q,其中,q为小于D的最大整数;给定果蝇群体规模Sizepop、最大迭代次数Maxgen,并随机初始化群体位置、;
步骤22、果蝇个体利用嗅觉搜寻食物的随机方向与距离,其中和为[0,1]的随机数,搜寻后的果蝇群坐标为:
其中、为随机初始化群体位置,搜寻后的果蝇群位置坐标;
步骤23、由于无法得知食物的位置,因此先根据估计与原点之间的距离,再计算味道浓度判定值,将此时的位置作为第一个属性,公式如下:
步骤24、当选择特征指标个数小于q时,采用轮赌方式进行选择下一个属性:
其中是从特征指标i选择特征指标j的概率,,是属性i与属性j之间的相关系数,是第k只果蝇还没有选择的属性,为2,为1;
步骤25、根据选择的特征指标,计算味道浓度,其中是果蝇找到的特征指标子集的分形维数,D是原始时间序列的分形维数;
步骤26、找出果蝇群体中浓度最佳的果蝇,就是求的极小值:
步骤27、如果超过最大迭代次数100或最优解在10代内不发生变化,则将结果所选的特征指标子集作为模型输入,若不是则执行步骤22。
图4为本发明构建预测模型的流程示意图,如图4所示,步骤3中,根据输入的特征利用长短时记忆网络和全连接层配合构建预测模型,包括如下步骤:
步骤31、利用长短时记忆网络和全连接层配合构建预测模型;
步骤32、将所选特征指标作为模型输入,5日收益率作为输出进行预测;
步骤33、直接以模型的预测值进行交易,若预测结果大于0,买入并持有5天,如果此时已经持仓,则更新持有天数;若预测结果小于0,此时若持有股票,则不更新持有天数,若为空仓则继续空仓。
实施例
本实施例选择具体的股票——上海证券综合指数,采用基于分形及果蝇算法和长短时记忆网络的股票收益率预测模型对收益率进行预测,并根据预测结果进行交易,具体的步骤如下:
1)试验数据是在python中导入tushare模块直接从TuShare上获得,将2005.01.01至2017.05.01的上海证券综合指数作为实验原始数据,其中包含每个交易日的开盘价、最高价、最低价、收盘价、交易量,将2005.01.01至2015.05.01作为训练集,2015.05.02至2017.05.01作为测试集;
2) 通过原始数据构造20个技术指标,包括离散指标A/D,成交量比率VR,人气指标AR,顺势指标CCI,Larry William's指标R%,变动率指标ROC,动量指标MTM,相对强弱指标RSI,超买超卖指标MFI,随机指标K%,随机指标D%,意愿指标BR,动量指标Momentum,情绪指标PSY,三重指数平滑平均线TRIX,n日加权滑动平均波动WDMA %,n日滑动平均波动SDMA %,能量指标CR,乖离率BIAS,布林线指标BOLL;
3)利用分形维数计算方法计算20个特征指标的多重分形维数是3.7431;
4)根据多重分形维数是3.7431,,确定选取的技术指标个数为4,利用果蝇计算方法计算得到最优属性子集的分形维数为3.5926,选择的技术指标为相对强弱指标RSI、成交量比率VR、超买超卖指标MFI、人气指标AR;
5)由于输入数据不多,确定利用1层长短时记忆网络层和2层全连接层构建预测模型;
6)将技术指标相对强弱指标RSI、成交量比率VR、超买超卖指标MFI、人气指标AR作为模型输入,5日收益率作为模型的输出;
7)利用预测模型对5日收益率进行预测,预测结果如图5所示,图中X表示真实值,y表示预测值;
8)根据预测结果以预测值进行交易,若预测结果大于0,买入并持有5天,如果此时已经持仓a天,a<5,则更新持有天数为5-n天,若预测结果小于0,此时若持有股票,则不更新持有天数,若为空仓则继续空仓,根据交易的价格计算收益率,结果如图6所示,其中横坐标为日期时间,纵坐标为Position和Rate of return,Position为持仓占比,Rate of return为收益率,收益率平均值为28.21%。
Claims (4)
1.一种股票收益率预测方法,其特征在于,所述股票收益率预测包括如下步骤:
步骤1、利用源数据构造技术指标,计算技术指标的多重分形维数D,D为正数;
步骤2、针对构造的技术指标,利用果蝇计算方法和多重分形维数相结合对其进行特征指标选择;
步骤3、利用长短时记忆网络和全连接层配合构建预测模型,将选出的特征作为模型输入,收益率作为模型的输出进行预测,根据模型预测值做单。
2.根据权利要求1所述的一种股票收益率预测方法,其特征在于,步骤1中,利用源数据构造技术指标,计算技术指标的多重分形维数D,D为实数,包括如下步骤:
步骤11、选取天数据,利用股指的开盘价、最高价、最低价、收盘价、交易量构造m个技术指标,m和都是自然数且m>20,得到一个多元时间序列;
步骤12、将的每一维对应一个时间尺度,这些尺度的乘积作为基准的超体体积,将基准体积设定为标准1,则整个时间序列覆盖的超体体积为:
其中分别为第i个变量在该基准尺度下的最大值与最小值;
步骤13、将每一维的测量尺度扩大M倍,M为大于2的自然数,则相应的基准超体体积扩大倍,此时整个时间序列覆盖的超体体积为:
步骤14、不断增大M,利用最小二乘法拟合,直线斜率的相反数为时间序列的多重分形维数D。
3.根据权利要求1所述的一种股票收益率预测方法,其特征在于,步骤2中,针对构造的技术指标,利用果蝇计算方法和多重分形维数相结合对其进行特征选择,包括如下步骤:
步骤21、根据多元时间序列的多重分形维数D,确定选取的特征指标的个数q,其中,q为小于D的最大整数;给定果蝇群体规模Sizepop、最大迭代次数Maxgen,并随机初始化群体位置、;
步骤22、果蝇个体利用嗅觉搜寻食物的随机方向与距离,其中和为[0,1]的随机数,搜寻后的果蝇群坐标为:
其中、为随机初始化群体位置,搜寻后的果蝇群位置坐标;
步骤23、由于无法得知食物的位置,因此先根据估计与原点之间的距离,再计算味道浓度,将此时的位置作为第一个属性,公式如下:
步骤24、当选择特征指标个数小于q时,采用轮赌方式进行选择下一个属性:
其中是从特征指标i选择特征指标j的概率,,是属性i与属性j之间的相关系数,是第k只果蝇还没有选择的属性,为2,为1;
步骤25、根据选择的特征指标,计算味道浓度,其中是果蝇找到的特征指标子集的分形维数,D是原始时间序列的分形维数;
步骤26、找出果蝇群体中浓度最佳的果蝇,就是求的极小值:
步骤27、如果超过最大迭代次数100或最优解在10代内不发生变化,则将结果所选的特征指标子集作为模型输入,若不是则执行步骤22。
4.根据权利要求1所述的一种股票收益率预测方法, 其特征在于, 步骤3中,利用长短时记忆网络和全连接层配合构建预测模型,将选出的特征作为模型输入,收益率作为模型的输出进行预测并进行回测,包括如下步骤:
步骤31、利用长短时记忆网络和全连接层配合构建预测模型;
步骤32、将所选特征指标作为模型输入,5日收益率作为输出进行预测;
步骤33、直接以MFFLSTM模型的预测值做单,若预测结果大于0,买入并持有5天,如果此时已经持仓a天,a<5,则更新持有天数为5-n天;若预测结果小于0,此时若持有股票,则不更新持有天数,若为空仓则继续空仓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810042829.6A CN108229750A (zh) | 2018-01-17 | 2018-01-17 | 一种股票收益率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810042829.6A CN108229750A (zh) | 2018-01-17 | 2018-01-17 | 一种股票收益率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229750A true CN108229750A (zh) | 2018-06-29 |
Family
ID=62641871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810042829.6A Pending CN108229750A (zh) | 2018-01-17 | 2018-01-17 | 一种股票收益率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229750A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985462A (zh) * | 2018-07-12 | 2018-12-11 | 北京航空航天大学 | 基于互信息和分形维数的无监督特征选择方法 |
WO2020037922A1 (zh) * | 2018-08-21 | 2020-02-27 | 平安科技(深圳)有限公司 | 股指预测方法、装置及存储介质 |
CN111261233A (zh) * | 2020-01-16 | 2020-06-09 | 青岛农业大学 | 海洋药用生物分子动力学协同计算对比分析算法 |
CN111275612A (zh) * | 2020-01-17 | 2020-06-12 | 成都库珀区块链科技有限公司 | 一种基于vr技术的k线显示、交互方法及装置 |
CN116842454A (zh) * | 2023-06-06 | 2023-10-03 | 南京财经大学 | 基于支持向量机算法的金融资产分类方法及系统 |
-
2018
- 2018-01-17 CN CN201810042829.6A patent/CN108229750A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985462A (zh) * | 2018-07-12 | 2018-12-11 | 北京航空航天大学 | 基于互信息和分形维数的无监督特征选择方法 |
CN108985462B (zh) * | 2018-07-12 | 2021-03-12 | 北京航空航天大学 | 基于互信息和分形维数的无监督特征选择方法 |
WO2020037922A1 (zh) * | 2018-08-21 | 2020-02-27 | 平安科技(深圳)有限公司 | 股指预测方法、装置及存储介质 |
CN111261233A (zh) * | 2020-01-16 | 2020-06-09 | 青岛农业大学 | 海洋药用生物分子动力学协同计算对比分析算法 |
CN111275612A (zh) * | 2020-01-17 | 2020-06-12 | 成都库珀区块链科技有限公司 | 一种基于vr技术的k线显示、交互方法及装置 |
CN116842454A (zh) * | 2023-06-06 | 2023-10-03 | 南京财经大学 | 基于支持向量机算法的金融资产分类方法及系统 |
CN116842454B (zh) * | 2023-06-06 | 2024-04-30 | 南京财经大学 | 基于支持向量机算法的金融资产分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | DeepTrader: a deep reinforcement learning approach for risk-return balanced portfolio management with market conditions Embedding | |
Bagheri et al. | Financial forecasting using ANFIS networks with quantum-behaved particle swarm optimization | |
CN108229750A (zh) | 一种股票收益率预测方法 | |
Hsu | A hybrid procedure for stock price prediction by integrating self-organizing map and genetic programming | |
Wei | A GA-weighted ANFIS model based on multiple stock market volatility causality for TAIEX forecasting | |
Svalina et al. | An adaptive network-based fuzzy inference system (ANFIS) for the forecasting: The case of close price indices | |
Kim et al. | Optimizing the Pairs‐Trading Strategy Using Deep Reinforcement Learning with Trading and Stop‐Loss Boundaries | |
Li et al. | Optimistic bull or pessimistic bear: Adaptive deep reinforcement learning for stock portfolio allocation | |
Qin et al. | Linear and nonlinear trading models with gradient boosted random forests and application to Singapore stock market | |
Adeyemo et al. | River flow forecasting using an improved artificial neural network | |
CN109214503A (zh) | 基于kpca-la-rbm的输变电工程造价预测方法 | |
CN110400222A (zh) | 一种基于隐马尔可夫与深度学习的股市预测方法 | |
CN106447135A (zh) | 一种基于最相似走势的股票短期预测方法 | |
Karim et al. | A deep learning-based approach for stock price prediction using bidirectional gated recurrent unit and bidirectional long short term memory model | |
Hsu | Forecasting stock/futures prices by using neural networks with feature selection | |
Tze-Haw et al. | Forecasting Malaysian ringgit: before and after the global crisis | |
Chou et al. | A dynamic stock trading system based on a multi-objective quantum-inspired tabu search algorithm | |
Yin et al. | RETRACTED: Financial market trend analysis based on autoregressive conditional heteroscedasticity model and BP neural network prediction | |
Zhong et al. | Improved BP neural network's application in the bank early warning | |
Cocianu et al. | The Use of LSTM Neural Networks to Implement the NARX Model. A Case Study of EUR-USD Exchange Rates. | |
Pai et al. | Neural Network Model for Efficient portfolio Management and Time Series Forecasting | |
Zhang et al. | Integrating harmony search algorithm and deep belief network for stock price prediction model | |
Aye et al. | Forecasting Indian macroeconomic variables using medium-scale var models | |
Emamverdi et al. | FORECASTING THE TOTAL INDEX OF TEHRAN STOCK EXCHANGE. | |
Samarawickrama et al. | Multi-step-ahead prediction of exchange rates using artificial neural networks: a study on selected sri lankan foreign exchange rates |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |
Application publication date: 20180629 |
|
RJ01 | Rejection of invention patent application after publication |