基于行為特征和分形降維的股價趨勢預測方法研究.pdf

1、隨著機器學習和人工智能的飛速發(fā)展，這些技術(shù)被越來越多地應用在金融領(lǐng)域中的股票市場上。在大部分股價預測研究中，股票指標被廣泛地應用在各種預測模型中。作為一個統(tǒng)計學的范疇，股票指標根據(jù)一定的數(shù)學統(tǒng)計方法，使用統(tǒng)計學數(shù)值來論證股價和買賣的趨向，證券市場上已有相當數(shù)量的股票指標，本文在股票指標基礎(chǔ)上提取新的行為特征用以預測股價趨勢。
　　目前有很多相關(guān)的研究使用股票指標數(shù)值通過機器學習方法來預測股價趨勢，然而其中大部分研究只是把重點放在預

2、測模型本身的改進上，并沒有對作為輸入特征的股票指標做進一步的分析，僅僅把這些股票指標的數(shù)值單純地作為模型的輸入特征，而沒有考慮到指標當初被設(shè)計時的使用方式。
　　為了提高股價預測模型的學習效率和預測效果，本文采用指標統(tǒng)計分析手段優(yōu)化行為導向的股票指標特征，并使用分形降維算法，發(fā)現(xiàn)其中冗余的股票指標，削減噪聲特征。部分行為導向的指標，即指標的數(shù)值大小并無意義，只有指標函數(shù)表現(xiàn)出穿插等特定的行為時才具有實際意義，如KDJ指標。針對這樣

3、的行為導向指標，本文采用對指標間行為量化的方法，達到優(yōu)化指標的目的。本文實驗驗證優(yōu)化后的行為導向指標具備更好的區(qū)分度和預測能力。
　　在指標降維方面，對于傳統(tǒng)的降維方法如奇異值分解（SVD），其降維結(jié)果會破壞原數(shù)據(jù)集，難以對降維后的數(shù)據(jù)進行分析。因此針對股票指標特征集合這種特殊的數(shù)據(jù)集，本文改進了一種基于分形維度的降維算法以適應較大規(guī)模的股票指標數(shù)據(jù)集的運算，并在此基礎(chǔ)上實現(xiàn)了股票指標篩選。通過實驗對比，新的分形降維算法表現(xiàn)出較好