《基于时间序列预测的股票交易决策建议系统方案》由会员分享，可在线阅读，更多相关《基于时间序列预测的股票交易决策建议系统方案（14页珍藏版）》请在金锄头文库上搜索。
1、.专业整理.基于时间序列预测的股票交易决策建议系统蒋 倩 仪( 中南林业科技大学计算机与信息工程学院湖南 长沙 410004)摘 要 对股票市场特征选择的相关问题进行了研究和讨论。根据震荡盒理论提出一种新的适应于与机器学习相结合的交易边界模型，通过结合基于距离的多核极限学习机( DBMK-ELM) 与交易边界模型，构建基于时间序列预测的股票交易决策建议系统，使得在股票交易中能稳定获得较高的收益率并保持较低的投资风险。该系统可以快速地学习股市的历史数据，以适应快速更新的股票价格变化模式。 .学习帮手.0引言目前，能帮助人们获得丰厚投资回报的股票市场研究是投资金融领域的一个焦点问题。然而，由于股票
2、市场本身是动态的、非线性的、无参的以及混沌的，对于股票价格时间序列的预测被认为是时间序列预测1 4的各种应用中最优挑战性的应用之一 。由于还没有方法能够高精度地预测出股票未来的价格，而适当的交易策略可以减小预测误差带来的风险，所以一个强大的交易策略对于股票价格预测的应用而言非常关键。一个好的股票时间序列预测结果结合适当的交易策略，就可以构造出基于时间序列预测的股票交易决策建议系统，为投资者在股票市场中的决策提供合理的建议。股票的交易策略众多，考虑到在基于机器学习的股票价格时间序列的应用中交易策略主要用途之一是消除预测误差带来的影响，所以在此合适的交易策略应该是能够放松原来的预测问题使其对预测精
3、度的要求减小。这种交易的策略中，典型的就是应用 Darvas5提出的震荡盒理论 。该理论最基本的思想是股票价格在一段时间内将有一个确定的震荡区间，即在这段时间内它能达到的最大值和最小值之间震荡。而这一段震荡的时间和价格区间构成的广义空间称之为震荡盒。界模型，构建基于时间序列预测的股票交易决策建议系统。具体而言，首先通过股票市场的历史数据来训练 DBMK-ELM，并使用其预测股票在后续交易日中的价格;接着，基于一套规则来监测股票价格预测的准确性以及是否突破了交易边界;最后，根据由交易边界模型制定出的交易策略来做出交易决策。1 相关工作1 2灰色相关度Deng 首次提出了灰色相关度 GCD( Gr
4、ey Correla-6 9。该方法在tion Degree) 这一特征相关度计算方法许多领域得到了大量的应用。该方法用两个序列曲线几何形状的相似度来衡量两个序列的相关性。两个序列的几何形状越相似，则认为两个序列的相关性越大。考虑有 n 个样本中某一个特征构成的序列为 F = f1 ， f2 ，fn以及样本标签构成的序列为 T = t1 ，t2 ， tn ，则 GCD 的计算公式为:1 1 震荡盒理论r( T，F) =1in= 1r( ti ，fi )(1)震荡盒理论是 Darvas 根据其长期在股市交易中其中:n的经验提出的。该理论最基本的思想是股票价格在一段时间内将有一个确定的震荡区间，即
5、在这段时间内min | ti fi| +max |ti fi |r( ti ，fi )=| ti xi|+ max | ti xi(2)它能达到的最大值和最小值之间震荡。假设在这一段|式中， (0，1) 是控制相似显著程度的系数，通常设时间内股票价格最大值所处的边为盒子的顶部边界，置为 0 5。r( ti ，fi ) 是目标值 T 和特征 F 在点 i 出的灰色股票价格最小值所处的边为盒子的底部边界，时间段相关度。而 r( T，F) 则是目标值 T 和特征 F 整体的灰色的起始点和终点所处的边界分别为左边界和右边界，相关度。则在由这些边界构成的盒子中，股票价格上下震荡。交易边界模型因此 Dar
6、vas 在理论中称之为震荡盒。在震荡盒中，若1 3股票价格接近于底部边界，则其有上涨的趋势。反之，本文尝试结合震荡盒理论与机器学习，通过机器若股票价格接近于顶部边界，则其有下降的趋势。此学习来判别股票形势是否满足震荡盒理论的交易条外，当股票的价格突破盒子的顶部或底部边界时，它将11 12。然而，这样的尝试面临着震荡盒的位置确定件进入新的盒子并在其中开始新的震荡。在图 1 中展示的问题，即如何动态调整震荡盒的大小。如果使用大了典型的震荡盒的样例，交易者在股票价格处于一个小固定的震荡盒，则实际股票价格在所设置的震荡盒震荡盒中靠近盒子底部边界买入并在其靠近盒子顶部中的位置可能滞后于其实际所在震荡盒中
7、的位置，这边界时售出，将获得丰厚的投资收益。然而，如何检测样会影响交易的时机。例如，如果设置震荡盒的宽度出股票价格是否接近盒子的边界并且是否不会突破边固定为 30 天，而实际股票在 10 天之后就已在一个新界是需要丰富的实际经验的，对一般投资者而言是一的更窄区间内震动( 该区间包含在原震荡区间中) ，那项挑战性的工作。本文利用基于机器学习的时间序列么由于震荡盒的边界值固定为前 10 天的最大值和最预测方法来对盒子的边界进行预测，并通过制定的规小值，后 20 天的股价总无法接近盒子边界，即使有适则来检测股票价格是否有突破震荡盒边界的趋势。希合交易的时机也不会产生新的交易。为了解决这一问望通过自动
8、化地学习股市交易模式，来减少投资者的题，本文在震荡盒理论的基础上提出了自动调整震荡投资风险并增加收益率。然而，这种结合存在着无法盒位置的交易边界模型，取消了震荡盒的宽度限制，仅动态调整震荡盒位置的问题，使得部分交易时机延误。仅保留震荡盒的交易边界。在交易边界模型中，震荡本文根据震荡盒理论提出一种新的适应于与机器学习盒理论的交易边界变化不再与时间相关，其交易边界相结合的交易边界模型，以此解决该问题。依据股票价格与现有交易边界之间的差异来改变。若定义交易边界模型中交易上边界值为 Boundaryupper ，下边界值为 Boundarylower ，当前股票价格为 C ，则边界值的更新分别为:Bo
9、undaryupper=CC Boundarylower Boundaryupper(3)C Boundarylower Boundarylower=CC Boundaryupper Boundaryupper(4)C Boundarylower 图 1 震荡盒样例图，式中是交易边界的差异系数 该值根据股票价格震第 4 期蒋倩仪: 基于时间序列预测的股票交易决策建议系统77荡的周期规律确定。当差异系数设置较小时，可以捕捉股票价格在较短时间较小振幅中的震荡。当差异系数设置较大时，反映的是股票价格在较长时间较大振幅中的震荡。2 股票交易决策建议系统2 1 系统结构本文提出的基于时间序列预测的股票交
10、易决策建议系统结构如图 2 所示，主要由如下三部分组成。第一个部分是数据预处理部分，其中包括提取数据特征值、对关键特征进行选择以及计算各个特征的灰色相关度并对根据该值对特征进行加权处理;第二个部分是基于机器学习的股票价格时间序列预测部分，主要利用 DBMK-ELM 来学习股市历史数据的模式，并且对震荡盒在下一个时间阶段的上下边界进行预测;最后一个部分是交易策略部分，在上一部分预测值的基础上依据基于震荡盒模型的交易策略进行分析判断，最终做出交易决策。图 2基于时间序列预测的股票交易决策建议系统结构图2 2数据预处理数据预处理作为本系统的第一个部分有着直观重要的作用，其目标是提取并选择合适的股市特
11、征，进而对这些特征进行加权处理后以便在系统后续的基于机13 14器学习的股票价格时间序列预测部分使用。显然，特征对机器学习来说至关重要，一组好的特征会大大提高基于机器学习的时间序列预测精度，相反一组不合适的特征甚至会导致错误的预测结果。系统可以从股票市场中获取的原始数据包括每只股票历史上每一日的开盘价、最高价、最低价、收盘价、成交量。在本系统中使用股票的收盘价作为当天股票的价格使用，也是股票价格时间序列需要预测的值。这是因为股票的收盘价是一个股票在当天众多投资者博弈后的最终结果，对于预测和分析股票价格未来的走势具有指导意义。同时收盘价也是一天中波动的股票价格最终的确定值，是一种通用的衡量每日股
12、票价格的指标值，股票的大多数经济学指标也都是通过历史收盘价计算而来。对于单一股票而言，只用上述五维特征对于未来价格预测不够充分，因为时间序列的走势并不是单纯的依赖于前一个状态，而是前多个状态导致的综合结果。例如，股市中股票价格在大幅度上涨之前，往往会在一个低价位持续多天震荡，以让庄家获得足够多的低价筹码从而在拉升上涨后获利。因此，需要通过多日的数据来提取某一日的股市特征。本系统除了使用了上述五维基本特征外还使用了股市中常用的几个经济学直指标来构建包含有多日股票价格信息的特征。具体而言，这些指标为移动平均线指标 MA ( Moving Average) ，变动速率指标 OC ( ate of C
13、hange) ，相对强弱指标 SI( elative Strength Index) ，慢速随机摆动指标( Slow Stochastic Oscillator) 。其中慢速随机摆动指标中包括三个指标:SLOWK，SLOWD，FASTK。本文关注于时间序列预测技术在股票市场中的应用，上述10指标的含义以及计算方法可参考计量经济学 中的相关内容，在本文中不再详述。同时，考虑到结合震荡盒模型后，本系统的预测目标是股票价格时间序列在后一时间阶段所处的盒子边界，因此在前一个时间阶段股票价格时间序列所处的盒子的上下量边界同样也被提取为特征。本系统使用股票在未来 n 天中的最高价 Upi 和最低价 Lowi 作为第 i 天的股价所处的未来的震荡盒的边界值，即式(5) :Upi = max( Ci +1 ，Ci +2 ，Ci +n )(5)
