基于机器学习的股票分析与预测模型研究
基于人工智能的股票价格预测模型研究
基于人工智能的股票价格预测模型研究一、引言近年来，人工智能技术的不断发展给各行各业带来了重要的变革，其中金融领域也不例外。
股票价格是众多投资者密切关注的一个指标，而通过人工智能技术构建股票价格预测模型，可以让投资者更好地预估未来市场变动，从而调整操作策略。
本文将以基于人工智能的股票价格预测模型为切入点，结合现有的相关研究成果，对该领域的发展情况进行探究。
二、相关技术1.机器学习机器学习是实现股票价格预测的基础技术。
通过对历史股票价格以及相关经济数据进行分析，机器学习可以训练出一个模型，该模型可以对未来的股票价格进行预测。
目前，主要的机器学习算法包括线性回归、决策树、支持向量机、神经网络等。
2.深度学习深度学习是近年来发展较快的技术，在股票价格预测领域也有应用。
深度学习通过构建多层的神经网络，可以对更加复杂的数据进行分析。
例如，通过卷积神经网络（CNN）可以对股票图表进行预测，通过循环神经网络（RNN）可以识别历史股票价格的周期性变化。
3.自然语言处理自然语言处理（NLP）技术可以将新闻、社交媒体等大量非结构化数据转化为可处理数据，为股票价格预测提供预测依据。
例如，从新闻报道中提取股票相关的情绪分析，可以辅助机器学习模型进行价格预测。
三、相关研究1.基于机器学习的股票价格预测2016年，张亨利等人提出了一种基于随机森林算法的股票价格预测模型，通过对大量股票历史数据的学习，该模型可以实现对未来股票价格走势的预测。
同时，他们结合其他指标（如新闻情感、技术分析等）进行了多因素分析，在传统的股票价格预测模型基础上提高了预测的精度。
2.基于深度学习的股票价格预测2019年，安徽工业大学的张海威等人通过对深度学习算法的运用，构建了一种基于CNN的股票价格预测模型。
该模型使用卷积神经网络对股票 k 线图进行预测，实验结果证明该模型能够在降低噪音的同时保持预测的准确性。
3.基于文本挖掘的股票价格预测2019年，南京理工大学的王岐龙等人提出了一种基于多源信息的股票价格预测模型。
基于人工智能技术的股票预测模型
基于人工智能技术的股票预测模型随着人工智能技术的不断发展，越来越多的行业开始把这一技术应用到自己的工作中，而股票市场也不例外。
经过多年的努力，人工智能技术已经在股票预测领域取得了一些成功。
本文将通过一些研究的成果和案例来分享一下现阶段基于人工智能技术的股票预测模型。
一、传统的股票预测模型传统的股票预测模型主要包括基本面分析、技术分析和事件分析。
基本面分析是通过研究公司的财务报表、经营状况等基础信息来预测其未来的股价走势。
技术分析则是通过股票的价格、成交量等数据来寻找市场的趋势，进而预测未来的股价走势。
事件分析则是通过分析和预测各种国内外政治、经济、社会及自然等事件的影响来判断未来股价的涨跌情况。
以上的传统模型仍然是许多投资者的选择，但是它们并不能保证股票的预测能够准确无误，因为它们在许多情况下都会面临一些困难，比如经济预测的错误和市场反应的不确定性等。
二、基于人工智能技术的股票预测模型目前基于人工智能技术的股票预测模型可以分成以下几类:1. 基于机器学习的股票预测模型机器学习技术可以自动从大量数据中学习并预测未来股票价格的趋势。
在这种情况下，通过对机器学习算法的选择和设计，模型能够学习到隐藏在数据中的关系，以识别哪些因素是对股票走势影响最大的。
例如，美国纽约大学算法交易团队利用机器学习技术，成功开发出一款名为QUANT的股票预测模型，该模型能够预测SPY(美国标准股票指数)在未来五天的价格走势。
QUANT模型的成功表明，通过学习海量的数据，基于人工智能技术的股票预测模型已经可以实现一定的准确。
2. 基于深度学习的股票预测模型深度学习技术是一种类似于机器学习的技术，但是深度学习能够识别更纷繁复杂的模式和关系。
这些模式和关系隐藏在海量的数据中，只有通过透彻的分析才能够发现。
顾名思义，深度学习技术由多层神经网络组成，每一层都对数据进行分析并提供反馈，进而进行下一轮的学习。
如今，越来越多的机器学习模型都采用深度学习的技术。
基于机器学习的股票价格预测模型研究
基于机器学习的股票价格预测模型研究近年来，随着人工智能和机器学习技术的发展，它们在金融领域的应用日趋成熟。
股票价格预测一直是很多人关注的话题，而基于机器学习的股票价格预测模型在这个领域中扮演着越来越重要的角色。
本文将探讨基于机器学习的股票价格预测模型的研究现状、优缺点和未来展望。
一、研究现状机器学习在股票市场预测中的应用已经有一段时间了，研究人员一直在探索使用不同类型的机器学习算法来预测股票价格。
现有的机器学习方法主要包括支持向量机、神经网络、随机森林、决策树等。
支持向量机（SVM）是一种基于统计学习的分类器，具有良好的泛化性能。
使用SVM预测股票价格的研究在过去的十年中逐渐增多。
研究表明，在适当的特征工程和优化参数的情况下，SVM 能够具有很好的预测能力，但是波动性较大的股票价格预测仍存在一定的难度。
神经网络是一种类似于复杂的生物神经网络的人工神经网络，用于学习和识别模式。
神经网络在股票市场预测中的应用也是很广泛的。
研究表明神经网络的预测能力在处理高维数据时更占优势，但是对于低维度数据的处理，其预测能力并不比其他机器学习算法明显强。
随机森林是一种决策树的集合，通过对数据进行随机采样和特征选择，从而提高模型的泛化能力。
研究表明，随机森林在处理股票价格预测问题时效果优良，其泛化性能较好，可以真实预测波动性较强的股票价格。
决策树是一种树形结构的分类算法，其结构类似于人的决策过程，容易理解和解释。
决策树在股票市场预测中也被广泛应用。
然而，由于股票价格预测是一个非常复杂的问题，依靠单一的决策树预测的精度并不是很高。
二、优缺点机器学习算法预测股票价格有其优势和缺点。
机器学习技术的主要优点在于其无需人工干预和大量数据，可以进行自动化学习并自我改进。
这种学习方式能够正确地识别和建模数据中的关键信号，并从中发现未知的新因素。
与传统的统计方法相比，机器学习技术的准确性和可靠性通常更高。
然而，机器学习方法在预测股票价格时还存在一些缺点。
基于机器学习的股市预测模型
基于机器学习的股市预测模型在当今的金融世界中，股市的波动如同神秘的海洋，充满了不确定性和变数。
投资者们总是在寻找一种可靠的方法来预测股市的走势，以获取丰厚的回报并降低风险。
机器学习作为一种强大的工具，正逐渐在股市预测领域展现出其巨大的潜力。
要理解基于机器学习的股市预测模型，首先得明白什么是机器学习。
简单来说，机器学习就是让计算机通过数据进行学习，从而能够自动识别模式、做出预测或决策。
在股市中，这些数据可以包括股票的历史价格、成交量、公司财务报表、宏观经济指标等等。
传统的股市分析方法，如基本面分析和技术分析，都有其局限性。
基本面分析依赖于对公司财务状况和行业前景的评估，但这种方法往往无法及时反映市场的短期波动。
技术分析则侧重于研究股票价格和成交量的图表模式，但这些模式并非总是可靠，而且容易受到市场情绪和随机事件的影响。
机器学习的出现为股市预测带来了新的思路。
它可以处理大量的数据，并自动发现隐藏在数据中的复杂模式和关系。
例如，通过使用聚类算法，可以将股票按照其价格走势的相似性进行分类；通过回归分析，可以预测股票价格的未来走势。
在构建基于机器学习的股市预测模型时，数据的选择和预处理至关重要。
数据的质量和完整性直接影响到模型的准确性和可靠性。
我们需要收集尽可能多的相关数据，并对其进行清洗、整理和标准化，以去除噪声和异常值。
特征工程是另一个关键步骤。
这意味着从原始数据中提取出有意义的特征，以便机器学习算法能够更好地理解和处理。
例如，我们可以计算股票价格的移动平均值、波动率、相对强弱指标等作为特征。
选择合适的机器学习算法也是模型成功的关键。
常见的算法包括决策树、随机森林、支持向量机、神经网络等。
每种算法都有其特点和适用场景，需要根据具体问题进行选择。
然而，基于机器学习的股市预测模型并非完美无缺。
市场的复杂性和不确定性使得预测始终存在误差。
股市受到众多因素的影响，包括政治事件、自然灾害、公司内部管理问题等等，这些因素很难完全被量化和纳入模型。
基于人工智能的股票预测模型研究
基于人工智能的股票预测模型研究一、前言股票市场是高风险高回报的投资领域，也是天赋异禀的投资者的主战场。
随着科技的进步，人工智能技术对股票市场也产生越来越多的影响。
二、人工智能技术在股票市场中的应用1.机器学习技术机器学习是人工智能技术的一种，它的应用非常广泛。
在股票市场中，机器学习技术能够学习并分析市场数据并预测未来的股票趋势。
这种技术可以分析海量的数据，并根据其分析结果快速做出决策，从而在股票市场中获取更高的回报。
2.自然语言处理技术自然语言处理是人工智能技术的另一种。
在股票市场中，自然语言处理技术可以用来分析新闻资讯和社交媒体的情感和事件。
这种技术可以快速地收集最新的新闻信息，并自动将其转化为对股票市场的影响预测。
3.神经网络技术神经网络技术是一种基于人工智能的模型，它能够学习和预测未来的股票价格走势。
神经网络技术模拟了大脑中的神经元，通过连结多个节点进行学习和处理，从而快速地分析和预测股票价格走势。
三、基于人工智能的股票预测模型的研究现状目前，基于人工智能的股票预测模型正在不断发展和完善中。
已经有很多研究表明，这种模型比传统的预测方式更加准确和可靠。
其中，一些行业领先者已开始积极使用人工智能技术来进行股票预测。
例如：1.阿尔法谷阿尔法谷是一家创新型金融科技公司，致力于开发和部署人工智能技术，以帮助投资者在股票市场上赚取更高的回报。
该公司的股票预测技术已被广泛采用，其精度和可靠性得到了全球投资者的认可。
2.鲸鱼投资鲸鱼投资是一家领先的量化投资公司，专注于使用人工智能技术来分析和预测股票市场走势。
该公司的人工智能技术已被证明可以在股票市场中取得成功，为其投资者创造出了丰厚的回报。
四、基于人工智能的股票预测模型的未来发展趋势未来，基于人工智能的股票预测模型将继续迅速发展。
随着人工智能技术的不断进步，这种模型将变得更加准确和可靠。
例如：1.更高的精度和准确性未来的人工智能技术将会更加强大和高效，其预测结果将会更加准确和可靠。
基于机器学习的股票趋势预测模型研究
基于机器学习的股票趋势预测模型研究机器学习（Machine Learning）作为一种应用于股票市场的技术工具，近年来备受关注。
它利用大数据和算法模型，通过学习和发现隐藏在股票数据中的模式和规律，为投资者提供更准确的股票趋势预测，从而做出更明智的投资决策。
本文将深入研究基于机器学习的股票趋势预测模型，探讨其原理、方法和应用。
一、机器学习在股票趋势预测中的原理1. 数据收集与准备：机器学习模型的训练离不开大量的数据，股票数据的准确收集和处理对于模型的训练效果至关重要。
一般来说，股票数据包括股票价格、交易量、市值等指标，可以通过各种渠道获得。
2. 特征选择和数据预处理：由于股票市场的复杂性，股票数据中存在大量的噪声和冗余信息。
为了提高机器学习模型的预测能力，需要对数据进行特征选择和预处理。
特征选择是指选择对预测目标有重要影响的特征，预处理则包括数据清洗、缺失值处理、归一化等步骤。
3. 模型建立与训练：选择合适的机器学习算法和模型结构是关键，常用的算法包括线性回归、决策树、支持向量机（SVM）、随机森林、深度神经网络等。
模型的训练需要使用历史数据进行，通过优化算法，使得模型能够更好地拟合历史数据中的规律和趋势。
4. 模型验证和评估：为了验证模型的预测能力和稳定性，需要将训练好的模型应用于测试集，通过评估模型的预测准确度、召回率、精确率等指标，评估模型的性能。
5. 模型优化和迭代：根据模型评估结果，对模型进行优化和调参，通过迭代训练的方式不断提高模型的预测能力，使其更符合实际股票市场的变化规律。
二、常用的机器学习方法在股票趋势预测中的应用1. 线性回归：线性回归是一种简单而常用的预测模型。
它通过拟合数据的线性关系，预测未来股票价格的趋势。
然而，在股票市场中，线性回归模型往往无法捕捉到复杂的非线性关系。
2. 支持向量机：支持向量机是一种强大的预测模型，能够处理复杂的非线性问题。
在股票趋势预测中，支持向量机可以根据历史数据找到合适的分割超平面，实现对股票价格的趋势预测。
基于机器学习的股票特征K线图预测
集成学习模型
如随机森林、梯度提升机等，通 过集成多个弱学习器提高预测性 能。
线性回归模型
强化学习模型
基于历史数据建立线性回归模型 ，预测未来股票价格。
通过与环境的交互学习，自动调 整策略以最大化收益。
05
实验结果与分析
实验设置
01
数据集
使用历史股票数据作为训练和测 试数据集，包括开盘价、最高价 、最低价和收盘价等特征。
通过不断更新Q值表来选择最优的动作，以最大化长期的累积奖 励。
Sarsa
与Q-learning类似，但使用两个神经网络分别估计Q值和策略。
Deep Q Network (DQN)
结合深度学习和Q-learning，使用神经网络来逼近Q函数。
04
基于机器学习的股票K线图预测 模型
数据预处理
数据清洗
K线图由一系列的垂直线组成，每个垂线代表一个交易时间段，如日线、周线、月 线等。
K线图包含了开盘价、收盘价、最高价、最低价和成交量等信息，是投资者进行股票 分析和交易决策的重要依据。
股票特征介绍
股票特征是指反映股票内在价 值和市场走势的一系列指标， 如市盈率、市净率、每股收益
等。
这些特征可以从财务数据、 市场走势和技术指标等方面 进行分析，帮助投资者评估 股票的投资价值和风险。
非监督学习算法
K-均值聚类
01
将数据点划分为K个不同的簇，使得同一簇内的数据点尽可能相
似，不同簇的数据点尽可能不同。
层次聚类
02
通过将数据点按照相似性进行层次性的分组，形成一个树状结
构。
主成分分析
03
通过找到能够解释数据变异性最大的少数几个综合变量，简化
基于人工智能的股票预测模型研究
基于人工智能的股票预测模型研究一、研究背景随着互联网各个领域的快速发展，投资市场也在不断更新和发展。
投资者通过不同的方式从市场中获取信息，以便做出正确的投资决策。
然而，由于现代经济的复杂性和不确定性，投资者需要面对大量的信息和数据，从中提炼出有效的信息对于投资成功至关重要。
在这样的背景下，人工智能技术的应用探究成为了一个广受关注的课题。
股票预测作为投资市场中的重要研究领域之一，一直受到业内人士和学者的广泛关注。
基于人工智能的股票预测模型，即利用机器学习和数据挖掘等技术，对股票市场的数据进行处理和分析，预测未来股票的走势。
这种技术已经广泛应用于金融市场的股票预测、个人投资等领域，具有十分广泛的应用前景。
二、研究内容本研究旨在分析基于人工智能的股票预测模型，并对其预测能力和适用性进行评价。
1. 人工智能在股票预测领域的应用人工智能在股票预测领域的应用主要是利用机器学习、数据挖掘、神经网络等技术进行预测。
其中，机器学习是目前应用比较广泛的一种技术。
机器学习是一种通过计算机自动学习规律，并利用学习结果进行预测的技术。
机器学习可以分为有监督学习和无监督学习两种方式。
在股票预测领域中，有监督学习主要是通过分析历史市场数据，找出其中的规律和模式，进而利用这些规律和模式进行预测。
无监督学习主要是通过对市场的数据进行聚类和分类分析，找出其中的特征和规律，进而利用这些特征和规律进行预测。
2. 基于人工智能的股票预测模型的构建基于人工智能的股票预测模型一般分为两个部分：特征提取和模型训练。
特征提取是指从历史市场数据中提取股票的特征信息。
这些信息包括市场价格、股票成交量、市值等。
模型训练是指根据提取到的特征，利用机器学习等技术进行预测模型的构建。
常用的预测模型有随机森林、支持向量机等。
3. 基于人工智能的股票预测模型的评价基于人工智能的股票预测模型的评价主要包括两个方面：预测准确度和模型适用性。
预测准确度是指模型的预测能力，可以通过计算预测的误差来表示。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
金融观察Һ㊀
基于机器学习的股票分析与预测模型研究①
姚雨琪
摘㊀要:近年来ꎬ随着全球经济与股市的快速发展ꎬ股票投资成为人们最常用的理财方式之一ꎮ本文研究的主要目标是利用机器学习技术ꎬ应用Ｐｙｔｈｏｎ编程语言构建股票预测模型ꎬ对我国股票市场进行分析与预测ꎮ采用ＳＶＭ与ＤＴＷ构建股票市场的分析和预测模型ꎬ并通过Ｐｙｔｈｏｎ编程进行算法实现ꎮ
本文对获取到的股票数据进行简单策略分析ꎬ选取盘中策略作为之后模型评估的基准线ꎮ分别选取上证指数㊁鸿达兴业股票㊁鼎汉股票数据利用已构建的支持向量机和时间动态扭曲模型在Ｐｙｔｈｏｎ平台上进行预测分析ꎬ结果表明ꎬ对于上证指数而言ꎬ支持向量机预测下逆向策略更优ꎬ对于鸿达兴业股票和鼎汉股票而言ꎬ支持向量机预测下正向策略更优ꎻ基于时间动态扭曲算法的预测方法对于特定的股票有较高的精度和可信度ꎮ研究结论表明将机器学习运用于股票分析与预测可以提高股票价格信息预测的效率ꎬ保证对海量数据的处理效率ꎬ机器学习过程可以不断进行优化模型ꎬ使得预测的可信度和精度不断提高ꎬ机器学习技术在股票分析方面有很高的研究价值ꎮ
关键词:机器学习ꎻ股票预测ꎻＰｙｔｈｏｎꎻＳＶＭꎻＤＴＷ
中图分类号:Ｆ８３０.９１㊀㊀㊀㊀㊀㊀文献标识码:Ａ㊀㊀㊀㊀㊀㊀文章编号:１００８－４４２８(２０１９)０２－０１２３－０２
㊀㊀一㊁引言
国外股票市场的股票分析预测开始得很早ꎬ研究者们将各种数学理论㊁数据挖掘技术等应用到股票分析软件中ꎬ并通过对历史交易数据的研究ꎬ从而得到股票的走势规律ꎮ近年来ꎬ由于现实中工作与研究的需要ꎬ机器学习的研究与应用在国内外越来越重视ꎮ机器学习可以在运用过程中依据新的数据不断学习优化ꎬ完善预测模型ꎮ将机器学习应用于股票市场的预测ꎬ从股票的历史数据中挖掘出隐藏在数据中的重要信息ꎮ这样既能够为股民们对股价预测研究提供理论支撑ꎬ又能够为公司的领导层提供决策支持ꎮ基于此ꎬ本文选择机器学习在股票分析中的应用作为研究方向ꎮ在机器学习及股票分析相关理论基础上ꎬ使用Ｐｙｔｈｏｎ开发工具ꎬ并分别运用支持向量回归及时间动态扭曲进行预测ꎮ
二㊁相关技术与理论
(一)机器学习
机器学习是融合多领域技术的交叉学科ꎬ主要包括概率论与数理统计㊁微积分㊁线性代数㊁算法设计等多门学科ꎮ通过计算机相关技术自动 学习 实现人工智能ꎮ(二)股票分析方法
１.基本面分析
基本面分析指的是在分析股票市场供应和需求关系的相关因素(如宏观经济㊁政策导向㊁财务状况以及经营环境等)基础上确定股票的实际价格ꎬ从而预测股票价格的趋势ꎮ２.技术面分析
技术面分析指的是对股票图样趋势来分析和研究ꎬ来判断价格的走势ꎮ
(三)基于Ｐｙｔｈｏｎ的经典机器学习模型
１.支持向量机(ＳＶＭ)
该模型最初用于分类ꎬ其最终目标是引入回归估计ꎮ建立回归估计函数Ｇ(ｘ)ꎬ其中回归值与目标值之间的差值小于μꎬ同时保证该函数的ＶＣ维度最小ꎮ线性或非线性函数Ｇ(ｘ)的回归问题可以转化为二次规划问题ꎬ并且获得的最优解是唯一的ꎮ
２.动态时间扭曲(ＤＴＷ)
这是衡量时间序列之间的相似性的方法ꎬ并可以用在语音识别领域以判断两段声音是否表达了同一个意思ꎮ三㊁股票预测模型的构建
(一)确定初始指标
１.基于支持向量机确定指标
施燕杰(２００５)利用支持向量机进行股票分析与预测ꎬ在多次反复尝试基础上提出了一系列的指标作为预测模型的输入向量ꎬ该指标能够有效地预测未来股价波动情况ꎬ本文在结合自身研究的基础上ꎬ对以上施燕杰提出的指标进行改进ꎮ在原有的指标基础上添加７日平均开盘价和７日平均收盘价ꎬ去除了成交额保留了成交量ꎮ最终建立如表１所示的２０个初选指标ꎮ
表１㊀初选指标
变量Ｘ１Ｘ２Ｘ３Ｘ４Ｘ５Ｘ６Ｘ７Ｘ８Ｘ９Ｘ１０含义
今日
开盘价
昨日
开盘价
前日
开盘价
７日平均
开盘价
今日
最高价
昨日
最高价
前日
最高价
７日平均
最高价
今日
最低价
昨日
最低价变量Ｘ１１Ｘ１２Ｘ１３Ｘ１４Ｘ１５Ｘ１６Ｘ１７Ｘ１８Ｘ１９Ｘ２０含义
前日
最低价
７日平均
最低价
今日
收盘价
昨日
收盘价
前日
收盘价
７日平均
收盘价
今日
成交量
昨日
成交量
前日
成交量
７日平均
成交量㊀㊀本文主要是进行股票分析与预测ꎬ因此在综合考虑各个
价格指标的基础上ꎬ本文选择选定时间段的下一日收盘价作为模型的输出向量ꎮ
２.基于动态时间扭曲确定指标
根据往常研究经验ꎬ我们将时间序列数据分成不同的期间ꎬ每个期间长度为５日ꎬ以每个时间段相邻每日收盘价涨跌率变化趋势为初始指标ꎮ选择时间序列期间下一日的收盘价与期间内最后一日收盘价涨跌率作为模型的输出向量ꎮ(二)选择样本
１.实验对象
本文在分别在主板市场㊁中小板市场和创业板市场中采取随机抽样的方法各随机选择一只股票数据作为研究对象ꎬ分别是上证指数㊁鸿达兴业股票㊁鼎汉股票ꎮ
２.样本规模
我们选取了２０１１年至２０１７年间上证指数１５５０条数据ꎬ２０１５年至２０１７年的鸿达兴业股票５３２条数据㊁鼎汉股票５７２
３２１
①基金项目:江西财经大学第十三届科研课题立项ꎻ编号ｘｓｋｔ１８３４５ꎮ
条数据ꎮ分别将三类数据划分为两组ꎬ其中一组选取２００条数据作为训练样本数据ꎬ用于对预测模型进行训练ꎻ剩余数据作为测试样本数据ꎬ用于检验模型的预测效果ꎮ
(三)数据采集与预处理
从网上通过爬虫或者接口的方法获取股票历史数据ꎬ并对数据进行整理和清理ꎬ调整异常以及缺失的数据ꎬ根据分析需求将数据进行离散化㊁二元化ꎮ
(四)模型策略
１.基于支持向量机模型策略
利用训练集数据进行模型拟合ꎬ并用它测试测试集数据ꎬ得到预测结果ꎬ将预测值与实际数据进行比较ꎮ
２.基于动态时间扭曲模型策略
通过算法运行获得每个序列相对于其他序列的距离度量ꎬ并将其放入一个ＤａｔａＦｒａｍｅ对象ꎮ删除相互距离为零的序列ꎬ再根据序列的日期进行排序ꎬ只观测第一个序列在时间上排在第二个序列之前的那些ꎬ删除相同的序列对ꎮ最后ꎬ将交易限制到相互距离小于１ꎬ而第一个序列的回报为正的情况ꎮ我们将得到一系列日前收盘价曲线相近的序列ꎬ接下来ꎬ构造一个策略函数ꎬ根据新进入的数据对模型进行学习㊁优化ꎮ
四㊁股票市场预测的实现(一)数据处理和策略分析
我们通过ｔｕｓｈａｒｅ提供的ＡＰＩ获取交易数据ꎮ获得的上证指数㊁鸿达兴业股票㊁鼎汉股票的历史数据是经过清洗加工过的ꎬ数据整洁且无缺失异常ꎬ可以直接用于接下来的研究分析ꎮ
保留最高价㊁最低价㊁开盘价㊁收盘价㊁交易量这几个原始属性ꎬ整理得到一系列数据ꎮ针对这些数据ꎬ进行初步分析ꎬ探索如何进行投资ꎬ以及该时期回报将是多少ꎬ并分析三组数据在持有策略㊁隔夜策略㊁盘中策略三种基本策略下的统计数据ꎮ结果发现三只股票在三个策略中ꎬ持有策略优于隔夜策略ꎬ隔夜策略又优于盘中策略ꎮ
(二)预测实现
１.ＳＶＭ预测效果分析
基于上证指数进行模型拟合ꎬ并用它测试训练样本之外的数据ꎬ得到预测ꎬ当模型预测强劲的收益时ꎬ选择不交易ꎬ相反ꎬ当模型预测亏损时ꎬ反而进行交易ꎬ接下来探索此时的收益与效果ꎬ并与盘中策略相比较ꎬ如图１所示
ꎮ
图１㊀盘中策略与策略三对比(修改测试时间段)
逆向模型似乎表现出明显的优势ꎬ经过数据分析认为ꎬ针对该只股票ꎬ运用支持向量回归建模进行预测并结合逆向策略的投资方式ꎬ在股票投资中将表现出一定优势ꎮ
基于鸿达兴业股票进行模型拟合ꎬ并用它测试训练样本之外的数据ꎬ得到预测ꎬ若预测的当日收盘价高于当日开盘价ꎬ则当天开盘时买入ꎬ并在当天收盘时卖出ꎮ获取完整统
计数据ꎬ探索此时的收益与效果ꎬ并与盘中策略相比较ꎬ如图２所示ꎮ
图２㊀盘中策略与策略一对比
经过以上分析ꎬ对于鸿达兴业股票运用支持向量机预测ꎬ采取正向策略ꎬ即预测会收益就买入的策略ꎬ具有一定优势ꎮ
基于鼎汉股票进行模型拟合ꎬ并用它测试训练样本之外的数据ꎬ得到预测ꎬ发现和鸿达兴业股票的结果类似ꎬ也是采取正向策略有一定优势ꎮ
２.ＤＴＷ预测效果分析
基于上证指数利用ＤＴＷ算法ꎬ得到一系列日前收盘价曲线相近的序列ꎬ而且第一个序列的回报为正ꎮ按照策略来买ꎬ然后评估交易ꎮ
盈利/亏损比例和夏普比率远高出其他的模型ꎮ根据数据显示ꎬ这个新模型在股票预测上更具有优势ꎬ特别是与之前的模型相比ꎮ
基于鸿达兴业股票得到的收益㊁夏普指数都劣于作为基线的盘中的策略ꎬ说明基于ＤＴＷ的预测方法不适用于该只股票ꎮ
模拟鼎汉股票发现夏普比率远高于其他的模型ꎮ根据数据显示ꎬ对于这只股票的预测时间动态扭曲建模更具有优势ꎬ特别是与之前的模型相比ꎮ
五㊁结论与展望
本文研究数据是基于２０１４年至２０１７年的三只股票的数据ꎬ其出发点和结论贴合特定时间段特定股票的行情情况ꎬ但是在历史时段或未来行情的适应性仍有待考虑ꎮ同时ꎬ本文所围绕的技术面分析是基于三大假设基础上的:一是市场行为可以包容和消化所有可能影响股价的信息ꎮ二是历史会不断重演ꎮ三是价格以趋势性变化ꎮ而现实中股票市场受宏观经济㊁政治环境和投资者心理等因素影响很大ꎬ所以在具体运用本文的模型时ꎬ仍要根据具体情况进行改进和优化ꎮ
支持向量机虽然相对于其他方法具有其独特的优点ꎬ并且应用的领域十分广泛ꎬ但是该方法在实际的应用中还是存在很大可以改进的空间的ꎮ在之后的进一步研究中我们可以考虑对算法进行优化ꎮ
参考文献:
[１]刘梦莹.基于机器学习的基金优选系统设计与实现[Ｄ].北京:北京交通大学ꎬ２０１８.
[２]肖晞晖.基于大数据和机器学习的量化选股模型研究[Ｄ].武汉:华中师范大学ꎬ２０１８.
作者简介:
姚雨琪ꎬ女ꎬ江西南昌人ꎬ江西财经大学信息管理学院ꎮ
４２１。