直接利用价格数据预测股票价格走势

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Stock price direction prediction by directly using prices data: an
  empirical study on the KOSPI and HSI》
---
作者：
Yanshan Wang
---
最新提交年份：
2017
---
英文摘要：
  The prediction of a stock market direction may serve as an early recommendation system for short-term investors and as an early financial distress warning system for long-term shareholders. Many stock prediction studies focus on using macroeconomic indicators, such as CPI and GDP, to train the prediction model. However, daily data of the macroeconomic indicators are almost impossible to obtain. Thus, those methods are difficult to be employed in practice. In this paper, we propose a method that directly uses prices data to predict market index direction and stock price direction. An extensive empirical study of the proposed method is presented on the Korean Composite Stock Price Index (KOSPI) and Hang Seng Index (HSI), as well as the individual constituents included in the indices. The experimental results show notably high hit ratios in predicting the movements of the individual constituents in the KOSPI and HIS.
---
中文摘要：
股市走势预测可以作为短期投资者的早期推荐系统，也可以作为长期股东的早期财务困境预警系统。许多股票预测研究侧重于使用宏观经济指标（如CPI和GDP）来训练预测模型。然而，宏观经济指标的日常数据几乎不可能获得。因此，这些方法很难在实践中使用。在本文中，我们提出了一种直接使用价格数据预测市场指数方向和股票价格方向的方法。本文对韩国综合股价指数（KOSPI）和恒生指数（HSI）以及指数中包含的单个成分进行了广泛的实证研究。实验结果表明，在预测KOSPI和HIS中单个成分的运动时，命中率显著较高。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Computational Engineering, Finance, and Science        计算工程、金融和科学
分类描述：Covers applications of computer science to the mathematical modeling of complex systems in the fields of science, engineering, and finance. Papers here are interdisciplinary and applications-oriented, focusing on techniques and tools that enable challenging computational simulations to be performed, for which the use of supercomputers or distributed computing platforms is often required. Includes material in ACM Subject Classes J.2, J.3, and J.4 (economics).
涵盖了计算机科学在科学、工程和金融领域复杂系统的数学建模中的应用。这里的论文是跨学科和面向应用的，集中在技术和工具，使挑战性的计算模拟能够执行，其中往往需要使用超级计算机或分布式计算平台。包括ACM学科课程J.2、J.3和J.4（经济学）中的材料。
--
一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> Stock_price_direction_prediction_by_directly_using_prices_data:_an_empirical_stu.pdf (511.63 KB)

2022-5-5 00:26:50 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：股票价格 数据预测 价格走势 Applications Econophysics

通过直接使用价格数据预测股票价格方向：对韩国大学工业管理工程学院KOSPI和Xiyanshan WangSchool of Industrial Management Engineering的实证研究，首尔，136-713，韩国电子邮件：Yans。wang@gmail.comAbstract：股市走势预测可以作为短期投资者的早期预警系统，也可以作为长期股东的早期财务压力预警系统。许多股票预测研究侧重于使用宏观经济指标，如CPI和GDP，来训练预测模型。然而，宏观经济指标的日常数据几乎不可能获得。因此，这些方法很难在实践中使用。本文提出了一种直接利用SPRICES数据预测市场指数方向和股价方向的方法。本文对韩国综合股价指数（KOSPI）和恒生指数（HSI）以及指数中的单个成分进行了广泛的实证研究。实验结果显示，在预测KOSPI和HIS中单个成分的运动时，命中率显著较高。关键词：股票走势预测；共同运动；主成分分析；主成分分析；支持向量机；支持向量机；韩国综合股价指数；科斯皮；恒生指数；希。本文的参考文献如下：Wang，Y.（2014），《直接利用价格数据进行股票价格方向预测：关于KOSPI和HSI的实证研究》，国际商业智能与数据挖掘杂志，第9卷，第2期，第145-160页。简历：王燕山分别于2010年和2012年获得哈尔滨工业大学计算机科学学士学位和韩国大学管理工程硕士学位。

他目前正在韩国大学管理工程系攻读博士学位。他的研究兴趣包括金融工程、非线性规划、信息检索和机器学习。1简介由于受美国次贷危机的影响，股市处于非平稳和混乱状态，投资者比以往任何时候都更加敏锐地意识到风险。同时，他们希望从投资中获得巨大的利润。但是，在股市上，要想表现得比技术娴熟、知识渊博的竞争对手更好，通常是非常困难的。更好的股票价格方向预测是普通投资者和金融专家更好的交易策略和决策的关键参考（Kao等人，2013）。除了股票价格方向预测外，股票市场指数方向预测被认为是近期金融分析研究的关键问题之一。股票市场指数通过代表市场的精选股票来衡量整体市场行为。准确的指数方向预测为投资者提供了有关特定投资组合的经济运行行为和回报预期的信息（Pathak et al.，2011）。Alsoit是针对投资者的早期预警系统，尤其是针对短期投资者，以防市场突然下跌。机器学习和人工智能算法的出现使得在股票价格方向预测中处理需要计算的数学模型成为可能。常用的方法包括人工神经网络（ANN）、贝叶斯网络和支持向量机（SVM）。其中，ANNshave在过去几十年中引起了几位研究人员对股票价格预测的浓厚兴趣。

与参数化模型相比，人工神经网络在模型规格方面具有很强的鲁棒性，这使得它经常用于预测股票价格和金融衍生产品。Guresen等人（2011年）报告了人工神经网络在股市预测中的有效性。Cheng等人（1996年）使用基于ANNs的系统预测美国国债。格鲁德尼茨基和奥斯本（1993）应用人工神经网络预测黄金期货价格。撤回价格预测是指价格波动性大，导致回归误差大。与价格预测相比，股票方向预测不那么复杂，也更准确（欧和王，2009）。最近几篇研究文章讨论了股票方向预测，其中考虑了ANN的不同变体（Saad et al.，1998）。然而，人工神经网络的一个缺点是，当神经网络模型被现有观测数据过度拟合时，预测未探测样本的效率会迅速降低。换言之，噪声锁定信息可能会导致ANN建立复杂模型，这可能会导致过度拟合问题。股市方向预测的主要方法是基于支持向量机的方法（Huang等人，2005年；Kim，2003年；Tay和Cao，2001年）。由于SVM实现了结构风险最小化原则，因此它通常比ANN具有更好的泛化性能和更低的过度拟合风险（Cortes and Vapnik，1995）。Kim（2003）很好地支持了股票预测的这一点。他的实验表明，支持向量机在预测股票市场未来走向方面优于人工神经网络，但在韩国综合股价指数200（KOSPI 200）的实验中，支持向量机的最佳预测性能为57.8%。黄等人。

（2005）通过使用基于支持向量机的模型预测日本经济新闻225指数（日经225），报告了75%命中率的显著表现。然而，大多数文献的缺点是，使用的测试是在样本内数据集内进行的，或者样本外测试是在不太可能代表全部市场行为的小数据集上进行的。因此，很难评估他们的模型在多个时期的平均性能，例如Kim nor Huang等人在该环境下进行的实验。为了避免有限的样本选择，我们的实验使用滚动数据窗口计算了一天之前的预测，以确保使用当时所有可用的信息进行预测，同时不纳入在动态、快速发展的股票市场中可能不再相关的旧数据。支持向量机用于方向预测的一个主要缺点是，输入变量位于数百到数千个高维特征空间中。变量的存储需要大量内存和计算时间。具体来说，一个股票市场由数百只股票组成，这导致了变量的高维性。因此，在分类前进行降维以获得有效且有区别的表示是非常重要的。在降维技术下，维度诅咒可以得到有效管理（Cortesand Vapnik，1995）。一种常见的无监督特征提取方法是主成分分析（PCA）（Pearson，1901），通过对原始数据的处理获得主成分。主成分分析已被广泛应用于处理高维数据集的许多领域，如蛋白质动力学约简、光谱数据约简和人脸模式约简。

有趣的是，据我们所知，很少发现PCA特征选择与股价数据分析相适应。在股票价格数据中，由于机构投资者对其投资组合中的股票子集拥有共同所有权，存在一种常见的现象，称为股票之间的共同移动（Pindyck和Rotemberg，1993）。Shiller（1989）使用简单回归测试展示了美国和英国市场之间收益的共同变动。正如Liu等人（1998年）所报告的，美国股市和亚洲股市之间也可能存在同样的现象。然而，这些方法并不能明确地验证co运动，并找到co运动的股票。协动意味着PCA的使用对于在高度相关的股票中找到协动股票至关重要。据我们所知，我们是第一个通过展示主成分来验证共运动现象的人。事实上，这种协同运动不仅存在于国内市场（内部）的股票之间，也存在于两个紧密相连的股票市场（外部）之间。这些事实促使我们考虑预测单个股票和市场指数方向的内部和外部因素。宏观经济指标[如消费者物价指数（CPI）、国民生产总值（GNP）和国内生产总值（GDP）]可能是预测的高内部影响因素。然而，这些宏观经济因素的日常数据在现实中是无法获得和分析的。为了简单和通用，我们只处理及时且易于访问的股票价格数据。至于外部因素，我们考虑了每日标准普尔500指数和汇率（EXR）。这两个因素都很容易获得和管理。

因此，与大多数最先进的方法相比，本文中的方法在实际方面有助于股票预测。本文的组织结构如下。在下一节中，我们将简要概述PCA和SVM，并描述它们如何集成到我们的模型中。在第三节中，我们对实验进行了详细的描述，包括实验数据和实验结果的详细设计。最后一节对本文进行了一些讨论。2综合模型拟议模型的结构如下图1所示。莱皮克斯∈   表示股票i，i=1，…，n的每日收益率的列向量，该列向量是从日常市场观察中获得的。矩阵X=（xi）T可以简化为主成分矩阵Y=（yk）T，k=1，…，m，mn  通过最小化X的线性变换的方差，将KTH主分量的贡献率定义为kniiλ=∑其中λkre表示yk的方差。第一个主要成分的累积率为。miiniiλ==∑∑除了这些主成分，内部因素和外部因素F=（F，F，…，Fh）皮重被用作输入数据，即{Y，F}。考虑到市场的共动性，我们发现共动股票作为内部因素具有信息性。此外，由于市场指数本身是国内经济和趋势的灯塔，因此它对预测也很有用。除了内部因素外，外部因素在亚洲股市中也发挥着重要作用。这里我们考虑两个最重要的经济现象。美国是包括韩国和香港在内的亚洲国家最大的合作伙伴，因此，美国金融市场的状况对亚洲股市有着重大影响。另一个是EXR，它对产品的进出口也有很大的影响。

交易关系的变化反过来影响国内股票市场。因此，我们研究中使用的外部因素包括美国股市的标准普尔500指数，它是美国经济的最佳代表，以及国家间交易的象征——汇率。有关数据的详细信息，请参见第3节。SVM的输入是数据集R=（rj，wj），其中rj=（Yj，Fj）（j=1，…，p）是一个行向量，表示p个观测日的日常数据。0,1jw∈是一个二元变量，代表当天股市的上升或下降方向。向下方向用0表示，向上方向用1表示。输入数据分为两部分，即训练数据和测试数据。正如财务分析最近指出的，大多数计算机技术相关文章中的数据周期都是有限的。为了避免有限的样本选择，训练数据和测试数据使用十年数据的滚动窗口平行进行，以确保使用当时可用的所有信息进行预测。此外，与在样本数据中测试的一些研究不同，我们计算了提前一天的预测，即样本数据。下一节将解释数据周期的细节，以及如何将其划分为培训和测试数据。利用训练数据通过训练SVM获得分类器。股票运动方向的分类函数定义为**dir（）sgn，ptjfwν=== +∑rr（1）图1建议的PCA-SVM集成模型的程序，其中*\'sα和*\'sν分别是相应超平面的拉格朗日乘子和截距的最佳值。

通过引入内核技巧，股票方向预测的非线性决策函数变成了（）。pjj jfwν=== +∑rKrr（2）第3节讨论了核函数的选择。测试数据用于根据分类器RF（r）测试模型。实际上，训练模型可以设计成实时更新，以便充分利用现有信息。3实证实验在本节中，我们介绍了所提出方法的实证股价数据集、时间段和数据设计。为了避免某些市场的效率低于其他市场的事实，我们对两个具有代表性的亚洲股市进行了实证实验：韩国股市和香港股市。实验的目的是预测股票价格指数和个别股票的每日运动方向。3.1实验数据3。1.1股市指数韩国综合股价指数200（KOSPI 200）和恒生指数（HSI）被使用，因为它们代表了韩国和香港股市的整体表现。作为股指期货和期权的基础指数，KOSPI 200由从KRX股票市场的所有股票中选择的200家公司组成。KOSPI 200代表了韩国工业的广泛领域，为投资者规避潜在市场风险提供了有效手段。因此，使用了200只股票的每日收益率。同样，恒生指数是香港整体市场表现的主要指标，我们采用实证方法处理了48个组成部分。我们注意到，所有数据都是从互联网上公开的来源收集的。KOSPI 200数据集是从韩国KRX交易所收集的(http://eng.krx.co.kr).

他的数据集来自雅虎！财务(http://finance.yahoo.com).3.1.2上述因素和方法的结构（图1），股票市场和市场指数中考虑的内部因素协动股票。对于预测指数，我们使用指数和总体成分的滞后日价格。对于个股预测，除了指数外，我们还使用了目标排除成分的滞后日价格。我们研究中使用的外部因素包括美国股市的标准普尔500指数和美元对韩元（USDKRW）或香港元（USDHKD）的汇率。标准普尔500指数数据和USDKRW（USDHKD）数据可从雅虎下载！财务(http://finance.yahoo.com)和国际货币基金组织(http://www.imf.org)分别为。由于亚洲市场和美国市场的开市日期不同，因此数据根据亚洲市场的时间表进行调整。交易策略是删除多余的日数据，而丢失的日数据由之前的收盘价填充。3.1.3时间段为了避免有限的样本选择，我们收集了2002年至2011年的经验试验数据集。与大多数在样本内测试机器学习方法的研究不同，我们使用样本外数据测试了所提出的方法。此外，还使用了数据滚动窗口设计，以便全面检查该方法的性能，并确保预测是利用当时所有可用的信息进行的。滚动窗口数据的时间段如表1所示。