一种新的基于隐马尔可夫模型的股票价格时间序列预测方法

针对传统的基于隐马尔可夫模型HMM(Hidden Markov model)的股票价格序列预测方法的不足,提出一种新的基于HMM的股票价格预测的方法.采用一种CBIC(Clustering and BIC)算法自动确定HMM隐状态数,在预测过程中当预测误差大于一定阈值时,采用模型自动更新方法建立新的模型.通过对股票价格序列的转换,建立相应的HMM,进行单步值预测.单步值预测与Hassan等人的HMM fusion model方法、ARIMA方法进行了比较,实验结果表明所提出的预测算法在股票价格预测中,比现有的不更新模型的方法能得到更好的结果.     

基于分段线性表示和高斯过程分类的股票转折点概率预测

针对股票交易过程中价格转折点的预测问题,提出了一种基于分段线性表示(PLR)与高斯过程分类(GPC)相结合的股票价格转折点预测算法PLR-GPC。该算法通过PLR提取股票历史价格序列的转折点,对转折点进行分类标记,建立基于GPC的股票价格转折点预测模型,以上述股票历史价格序列对模型进行训练,最终由预测模型对股票价格转折点进行预测,并对预测结果进行概率解释。将PLR-GPC与基于BP神经网络(BPN)的PLR-BPN算法、基于加权支持向量机支持向量机(WSVM)的PLR-WSVM算法进行实验对比:PLR-GPC在预测准确率上高于PLR-BPN与PLR-WSVM;在投资收益率上高于PLR-BPN,与PLR-WSVM持平。实验结果表明PLR-GPC在股票价格转折点的预测上是有效的,并且可以应用在实际股票投资交易中。     

时间序列一步预测方法*

为了改善时间序列预测的性能,提出一种时间序列一步预测分析方法。首先将一个时间序列分解为总体趋势和个体波动两个序列,然后分别对这两个序列进行预测分析,再将结果合成得到最终的预测结果。对于总体趋势序列利用加权滤波算法进行分析,而对于个体波动序列则先进行混沌特性分析,再结合混沌预测分析方法对其进行预测。利用混沌优化方法动态地调节预测网络的参数,逐渐提高网络的预测精度。利用该方法分别对混沌序列、实际股票价格等序列进行了仿真预测分析,仿真结果表明,该方法具有良好的预测效果。     

基于经验模态分解与投资者情绪的Attention-BiLSTM股价趋势预测模型

股票价格的变动是投资者在股票市场关注的焦点，所以股价趋势预测一直是量化投资研究的热门话题。传统的机器学习预测模型难以处理非线性、高频率、高噪声的股价时间序列，使得股票价格趋势的预测精度低。为了提高预测精度，针对股票价格数据的时序性特征，提出用结合经验模态分解（EMD）、投资者情绪和注意力机制的双向长短期记忆神经网络来对股票价格进行涨跌预测。首先使用经验模态分解算法提取股票价格时间序列在不同时间尺度上的特征，并通过构建金融情感词典来提取上一个股票交易日收盘后至下一个交易日开盘前文本的投资者情绪指标，最后使用注意力机制优化的BiLSTM模型对下一个股票交易日进行涨跌预测。在股票价格序列的数据集上进行实验，结果表明，改进后的BiLSTM模型较改进前的BiLSTM模型，准确率从58.50%提升至71.26%；预测为涨的精确率从58.20%提升至70.06%，预测为跌的精确率从59.34%提升至72.36%；预测为涨的召回率从59.85%提升至73.41%，预测为跌的召回率从57.73%提升至69.11%；预测为涨的F1值从58.60%提升至71.61%，预测为跌的F1值从58.08%提升至70...     

神经网络在股票价格预测中的研究

研究准确优化预测股票价格问题,针对影响股票价格具有非线性、不稳定的特征,股票价格由于受到社会经济因素的影响,变化大.采用传统神经网络方法在股票价格预测中易陷入局部极小值,泛化能力受到影响.为了提高股票价格精度,提出一种基于粒子群优化算法(PSO)的RBF神经网络(RBFNN)股票价格预测模型.利用粒子群优化算法的良好的寻优能力,对RBF神经网络参数进行优化,从而加快RBF神经网络运算速度,并提高了RBF神经网络的预测精度.利用粒子群优化的RBF神经模型对上证指数(000001)股票价格进行了验证性测试和分析,实验结果表明,相对于各参比模型,经过粒子群优化的RBF神经网络模型预测方法有更好的收敛性,更强的学习能力,显著地提高了预测精度,可为预测提供依据.     

基于自适应鲸鱼优化算法结合Elman神经网络的股市收盘价预测算法

针对Elman神经网络在基于股市网络舆情的收盘价预测中存在的收敛速度慢且预测精度低的问题,提出了结合基于自适应噪声的完全集合经验模态分解(CEEMDAN)的改进鲸鱼优化算法(IWOA)结合Elman神经网络预测模型。首先,通过文本挖掘技术对上海证券交易所股票价格综合指数(SSE)180股的网络舆情进行挖掘和量化,并利用Boruta算法筛选重要属性以降低属性集的复杂度;然后,通过CEEMDAN算法在属性集中添加一定数量特定方差的白噪声,实现属性序列的分解与降噪;同时,利用自适应权重改进鲸鱼优化算法(WOA)以增强其全局搜索及局部开采能力;最后,利用WOA在迭代过程中不断优化Elman神经网络的初始权重和阈值。结果表明:比起单独使用Elman神经网络,所提模型的平均绝对误差(MAE)从358.8120降低至113.0553;与未采用CEEMDAN算法的原始数据集相比,该模型的平均绝对百分比误差(MAPE)从4.9423%降低到1.44531%,说明所提模型有效提高了预测精度,为股市网络舆情的预测提供了一种有效的实验方法。     

基于ARIMA-SVM组合模型的股票价格预测

现有的股票价格准确预测方法各有优缺点,为了发挥各种预测方法的优点,提出二进正交小波变换和ARIMA-SVM方法的非平稳时间序列预测方案。使用小波分解算法对数据进行分解,分离出非平稳时间序列中的低频信息和高频信息;然后对高频信息构建自回归模型ARIMA预测,对低频信息则用SVM模型进行拟合;最后将各模型的预测结果进行叠加,从而得到原始时间序列的预测值。将预测结果与实际值比较,组合模型具有较好的预测效果。经实验证明,小波分解的ARI-MA-SVM组合模型较单一的预测模型效果更为理想。     

基于马尔可夫链的股票投资组合问题研究

研究股票投资组合的优化问题,针对股票价格的随机波动,影响识别的准确性.为了提高投资组合的收益,提出随机优化模型及其求解方法.首先,通过将股票价格的时间序列分解为马尔可夫序列,建立投资组合的马尔可夫链模型.然后,结合采用策略迭代的随机优化算法,实现投资组合的滚动优化.最终构造出一个基于状态反馈的最优投资组合策略.通过上证A股的实证分析,结果表明,在新的优化模型及算法下能获得更高的计算效率和投资收益.     

基于DMD-LSTM模型的股票价格时间序列预测研究

针对股票市场关系复杂导致的有效特征提取困难、价格预测精度低等问题,提出一种基于动态模态分解—长短期记忆神经网络（DMD-LSTM）的股票价格时间序列预测方法。首先通过DMD算法对受市场板块联动效应影响的关联行业板块样本股数据进行分解计算,提取包含整体市场和特定股票走势变化信息的模态特征;然后针对不同市场背景,采用LSTM网络对基本面数据和模态特征进行价格建模预测。在鞍钢股份（SH000898）上的实验结果表明,该方法相较于传统预测方法,在特定的市场背景下能实现更高的价格预测精度,更为准确地描述股票价格的变化规律。     

用于非线性时间序列预测的POD-RBF神经网络

基于正规正交分解(Proper Orthogonal Decomposition,POD)提出一种适用于非线性时间序列预测的径向基函数(Radial Basis Function,RBF)神经网络模型-POD-RBF神经网络模型.该模型在选取中心时考虑了时间序列数据之间的时序关系,并且使得中心的选取具有并行性.股票价格预测问题的模拟结果表明,POD-RBF神经网络可以有效地用于非线性时间序列预测问题.与基于硬C均值(Hard C-means,HCM)聚类的RBF神经网络(HCM-RBF)和基于正交最小二乘(Orthogonal LestSquare,OLS)的RBF神经网络(OLS-PBF)相比,POD-RBF神经网络不仅具有更好的训练、预测精度,而且具有更好的收敛稳定性、更好的泛化能力和抵抗噪声干扰的能力.     

基于PCA和IFOA-BP神经网络的股价预测模型

针对基于BP神经网络的股票价格预测模型在价格预测时存在较大误差的问题,在BP神经网络方法的基础上引入了主成分分析方法(PCA)和改进的果蝇算法(IFOA),提出一种基于PCA-IFOA-BP神经网络的股票价格预测模型。通过PCA对股票历史数据进行降维,减少冗余信息;采用改进的果蝇算法优化BP神经网络的初始权值和阈值;建立基于PCA和IFOA-BP神经网络的股票价格预测模型。对上证指数股票价格数据进行仿真验证,仿真结果表明:在股票价格预测中,该模型比BP神经网络、PCA-BP和PCA-FOA-BP的预测精度更高,是一种有效可行的预测方法。     

基于时间序列的支持向量机在股票预测中的应用

由于股票预测是不确定、非线性、非平稳的时间序列问题,传统的方法往往难以取得满意的预测效果。本文提出一种基于时间序列的支持向量机（SVM）股票预测方法。利用沙河股份的股票数据,建立股票收盘价回归预测模型,该模型克服了传统时间序列预测模型仅局限于线性系统的情况。实验结果表明,该方法比神经网络方法以及时间序列方法的预测精度更高,可以很好的应用某些非线性时间序列的预测中。     

基于MFR-GEP的高阶常微分方程预测模型

股价预测一直是金融投资领域的热点问题，但是股票市场相关指标数据的波动性和不确定性使得股价预测问题成为难点。因此对于非线性且受到多因素影响的股票系统，传统的预测方法无法准确地表达股价的变化规律，预测效果较差。针对复杂的股价预测问题，建立了基于多指标正则化GEP算法（Multiple Factor Regularization Gene Expression Programming，MFR-GEP）的高阶常微分方程模型，利用数值差分拟合股价数据，并且加入影响股价的其他指标作为正则项，其中利用指标相关性确定正则项权重参数，应用模糊粗糙集的原理确定子函数映射。该模型能够刻画股价随时间的变化趋势，更好地描述数据波动，正则项的加入使得模型可以根据多指标进行预测，避免因单一指标引起的预测精度低等问题。最后将提出的算法与标准GEP算法及传统预测算法进行对比实验，结果充分验证了该算法的有效性和准确性。     

最优组合模型在证券市场预测中的应用研究

研究证券市场预测中的股票价格预测精度问题,股票价格受到政治、经济、投资者心理等多种因素影响,股票价格波动较大,系统具有非线性复杂变化规律,单一预测模型只能反映股票价格变化时段信息,预测精度比较低。为了提高股票价格预测精度,提出一种组合模型的股票价格预测方法。首先分别采用ARIMA、GM、RBF神经网络对股票价格进行预测,然后通过权重值获得最优组合预测模型进行股票价格预测。结果表明,组合预测模型提高了股票价格预测精度,降低了预测误差,克服了单一预测模型在股票价格预测中的缺陷,为股票价格等非线性系统准确性预测提供了参考依据。     

股票价格预测的建模与仿真研究

研究股票价格准确预测问题,由于股票价格数据具非线性、随机性等变化规律,同时股票市场与国内外经济政治变化有关,传统股票价格预测方法只能对其线性变化规律进行准确预测,无法反映股票价格非线性部分进行有效建模,导致股价预测精度不高。为了提高股票价格预测精度,提出了一种遗传优化BP神经网络的股票价格预测模型。充分利用BP神经网络良好的非线性映射能力,对股票价格变化规律进行建模,并通过遗传算法对BP神经网络模型参数进行优化,从而获最优股票价格最优预测模型。实验结果表明,相对于传统股票价格预测模型,遗传算法优化BP神经网络的股票价格预测模型拟合程度更好,预测精度更高,为股票价格预测提供了依据。     

基于改进回声状态神经网络的个股股价预测

当今社会股价预测是研究的热门问题,人们越来越关注对股价预测模型的建立,提高股价预测的精度对股票投资者有实际的应用价值.目前股价的预测方法层出不穷,其中较为典型的有传统的技术分析和ARMA模型等.为了提升预测的精度,同时考虑到股市的非线性,本文提出一种改进的回声状态神经网络的个股股价预测模型,针对回声状态神经网络(ESN)泛化能力不强的特点,应用改进的粒子群算法(GTPSO)对回声状态神经网络(ESN)的输出连接权进行搜索,最终得到最优解,即ESN的最优输出连接权,GTPSO算法概括来说就是在传统粒子群算法(PSO)的基础上引入禁忌搜索算法(TS)中禁忌的思想和遗传算法(GA)中变异的思想,从而降低PSO在学习过程中陷入局部最小值的状况,同时提高PSO搜寻全局的能力.将预测模型用于个股每日收盘价预测中,使用每10天的收盘价预测第11天的收盘价.通过实验验证了模型的正确性,实验证实,该模型拥有较好的预测效果.     

MTICA-AEO-SVR股票价格预测模型

为了改善传统Fast ICA算法的稳定性和分离效率,基于Tukey M估计构造了一种新的非线性函数,提出了MTICA算法;并在此基础上结合SVR算法,建立了一种新的MTICA-AEO-SVR股票价格预测模型。用MTICA算法将原始股票数据分解为独立分量进行排序去噪,选择不同的SVR模型分别对各独立分量和股票价格进行预测。在SVR算法中引入了人工生态系统优化算法（AEO）选参,提高了模型的预测精度。通过对上证B股指数的实证分析,结果表明,MTICA-AEO-SVR模型比ICA-AEO-SVR模型和ICA-SVR模型更准确和高效。     

AN ADAPTIVE EXPECTATION GENETIC ALGORITHM BASED ON ANFIS AND MULTINATIONAL STOCK MARKET VOLATILITY CAUSALITY FOR TAIEX FORECASTING

The stock market is a highly complex and dynamic system, and forecasting stock is complicated and difficult. Successful prediction of stock prices may promise attractive benefits; therefore, stock market forecasting is important and of great interest. The economy of Taiwan relies on international trade deeply and the fluctuations of international stock markets impact Taiwan's stock market to certain degree. It is practical to use the fluctuations of other stock markets as forecasting factors for forecasting on the Taiwan stock market. Further, stock market investors usually make short-term decisions based on recent price fluctuations, but most time series models use only the last period of stock price in forecasting. In this article, the proposed model uses the fluctuations of other national stock markets as forecasting factors and employs an expectation equation method whose parameters are optimized by a genetic algorithm (GA) joined with an adaptive network–based fuzzy inference system (ANFIS) model to forecast the Taiwan stock index. To evaluate the forecasting performance, the proposed model is compared with Chen's model and Yu's model. The experimental results indicate that the proposed model is superior to the listing methods (Chen's model and Yu's model) in terms of root mean squared error (RMSE).     

K线能量计算的股市生命期态势预测方法*

股市中K线特征是股价涨跌的因果信息,基于支持向量机（SVM）的股价预测模型没有考虑K线特征知识,对于股价态势难以有效预测。本文提出基于K线能量计算的股市生命期支持向量机态势预测算法（LPF-SVM）。首先,提取典型K线特征,通过引入特征的孕育成熟度和爆发力定义,给出K线特征支持向量机算法（KLF-SVM）;进而,在KLF-SVM算法基础上定义特征的能量计算模型,给出一种K线能量计算的SVM股价预测算法。为了有效地预测态势,引入股价波动的生命期概念,通过K线组合特征判定股价所处的生命期的阶段,进而结合生命期阶段之间的时序影响关系,给出一种基于生命期的股价态势预测算法。在上证和深证数据集上的实验结果表明,LPF-SVM算法对于股价上升波段和下跌波段的股价预测取得了很好的效果。     

Support vector regression with chaos-based firefly algorithm for stock market price forecasting

Due to the inherent non-linearity and non-stationary characteristics of financial stock market price time series, conventional modeling techniques such as the Box–Jenkins autoregressive integrated moving average (ARIMA) are not adequate for stock market price forecasting. In this paper, a forecasting model based on chaotic mapping, firefly algorithm, and support vector regression (SVR) is proposed to predict stock market price. The forecasting model has three stages. In the first stage, a delay coordinate embedding method is used to reconstruct unseen phase space dynamics. In the second stage, a chaotic firefly algorithm is employed to optimize SVR hyperparameters. Finally in the third stage, the optimized SVR is used to forecast stock market price. The significance of the proposed algorithm is 3-fold. First, it integrates both chaos theory and the firefly algorithm to optimize SVR hyperparameters, whereas previous studies employ a genetic algorithm (GA) to optimize these parameters. Second, it uses a delay coordinate embedding method to reconstruct phase space dynamics. Third, it has high prediction accuracy due to its implementation of structural risk minimization (SRM). To show the applicability and superiority of the proposed algorithm, we selected the three most challenging stock market time series data from NASDAQ historical quotes, namely Intel, National Bank shares and Microsoft daily closed (last) stock price, and applied the proposed algorithm to these data. Compared with genetic algorithm-based SVR (SVR-GA), chaotic genetic algorithm-based SVR (SVR-CGA), firefly-based SVR (SVR-FA), artificial neural networks (ANNs) and adaptive neuro-fuzzy inference systems (ANFIS), the proposed model performs best based on two error measures, namely mean squared error (MSE) and mean absolute percent error (MAPE).