重復(fù)剪輯近鄰法股票價(jià)格預(yù)測.pdf

1、證券市場是一個(gè)公認(rèn)的呈現(xiàn)高度復(fù)雜性的非線性系統(tǒng)，預(yù)測難度很大。傳統(tǒng)的聚類分析方法遇到強(qiáng)有力的挑戰(zhàn)，如對高維空間的稀疏數(shù)據(jù)以及不規(guī)則分布具有任意形狀數(shù)據(jù)的分析。近鄰法由于在理論上進(jìn)行了深入地分析，直至現(xiàn)在仍是模式識別非參數(shù)法中最重要的方法之一，包括基于各種特定度量的最近鄰法和K近鄰法。傳統(tǒng)近鄰分類算法應(yīng)用于證券價(jià)格預(yù)測時(shí)，需要在樣本間進(jìn)行大量的比較，占用巨大的存儲空間和計(jì)算時(shí)間，并且當(dāng)決策錯(cuò)誤產(chǎn)生的代價(jià)很大時(shí)，會導(dǎo)致較大的風(fēng)險(xiǎn)。剪輯近鄰法

2、通過一系列算法改進(jìn)，避免了通常計(jì)量經(jīng)濟(jì)模型中特異數(shù)據(jù)影響模型參數(shù)的現(xiàn)象，同時(shí)克服了普通近鄰算法計(jì)算和存儲量大的的主要缺點(diǎn)，部分解決了當(dāng)數(shù)據(jù)維數(shù)過高時(shí)可能發(fā)生維數(shù)災(zāi)難的難題。本文針對證券價(jià)格日常波動的技術(shù)特征建立模型，試圖在對大量原始數(shù)據(jù)的重復(fù)剪輯近鄰法迭代預(yù)處理過程中，逐級篩選出對于聚類效果最顯著的特征數(shù)據(jù)或其組合，逐步分離出混合在原始數(shù)據(jù)中的噪聲和不確定因素，尋找最能反映股價(jià)波動規(guī)律的主導(dǎo)型變量和因素，在保證一定的預(yù)測正確率的同時(shí)盡量

3、減少計(jì)算量，得到數(shù)量較少的對應(yīng)于各類別的代表性樣本，完成對輸入數(shù)據(jù)空間的分割，從而實(shí)現(xiàn)對于任何未知樣本都可以采用某種度量方式找到已知代表樣本中與其最相似的樣本，據(jù)以完成類別歸屬判斷，最終實(shí)現(xiàn)預(yù)測。本文采用重復(fù)剪輯和增加拒絕決策功能的改進(jìn)算法進(jìn)行預(yù)測，并結(jié)合中國滬深證券市場個(gè)股交易資料進(jìn)行實(shí)證檢驗(yàn)。結(jié)果表明和普通算法相比，預(yù)測正確率有明顯提高。本文通過對參數(shù)取值及其組合對預(yù)測結(jié)果影響的討論和算法的局部改進(jìn)，從一個(gè)較新的角度得出一些有意義的