直接利用价格数据预测股票价格走势

简而言之，我们将三年的培训数据和下一年的测试数据视为一个窗口，从第一年滑动到十年期结束。3.1.4数据预处理-我们不直接使用每日收益率，而是将其转换为n天的相对价格差异（RDP）。转换的优点是，转换后的数据分布将更加对称，并接近正态分布（Tay和Cao，2001）。在本文中，RDP值是基于指数和EXR的三天滞后（RDP-3）值，以及KOSPI和HSI成分的一天滞后（RDP-1）值确定的。为前者选择RDP-3值的原因是市场指数和EXR变化总是对指数值产生延迟效应（Shiller，1989）。由于成分是由元素组成的市场，元素之间的协同运动会立即影响市场本身。因此，选择了较短的滞后周期。预测的方向是RDP前一天的标志，即RDP+1。表2给出了所有指标的详细计算结果。表1培训和测试数据的相应时间段培训周期测试周期1 2002-1-1 2005-1-1 2006-1-12 2003-1-1 2006-1-1 2006-1-1 2007-1-13 2004-1-1-1 2007-1-1-1-1 2007-1-1-1-1-1-1-1-1-1-1-1 2008-1-1-1-1-15 2006-1-1-1-1-1-1 2009-1-1-1-1-1 2010-1-1-1-1-1-1-1 2010-1-1-1-1-1-1-1-1 2010-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1指标指标计算指标：RDP-1100%jjj---×RRDP-3100%jjj---×rrrOutput指标：RDP+1100%jjj+-×rrr3。2.指数和个股的方向预测我们的任务是预测KOSPI（或恒生指数）的每日方向以及KOSPI（或恒生指数）成分股的运动方向。

根据方程式（2），方向函数可以写成如下形式：（）RDP+1 RDP-3 RDP-3 RDP-3 RDP-1 RDP-1 RDP-1 RDP-1指数S&P500 EXR 1 2dir，，，，，kfF Y Y=…（3）其中RDP-3指数，FRDP-3S&P500，FRDP-3EXRF分别是KOSPI（或HSI）的RDF-3值，S&P500指数和美元兑韩元（或港币）的汇率。RDP-1 RDP-1 RDP-1、、kYY…是所有成分的主成分，其输入由KOSPI（HSI）中股票的RDF-1值定义。dirRDP+1是一个分类变量，从SVM分类器中获得，代表价格的移动方向，即RDP 11，价格上涨，dir0，价格下跌+=（4） 请注意，如果闭合值与上一个闭合值相同，则方向被指定为1。图2主要成分对KOSPI的贡献率（颜色见在线版本）图3主要成分对HIS的贡献率（颜色见在线版本）3.3实验结果3。3.1 PCA图2和图3的结果分别描述了整个时间段内KOSPI和HSI中前几个成分的贡献率（直方图）和累积分布（线）。累积贡献通过累积贡献率绘制。从以下数据中，我们发现第一个组成部分对KOSPI的贡献超过70%，前十个组成部分对HSI的贡献超过70%。因此，第一个1和前十个分量分别被选为KOSPI和HIS预测dirRDP+1的主分量。3.3.2协同运动的验证在本小节中，给出了一个PCA的二维示例，用于可视化主成分，如图4所示。前两支股票是inKOSPI、三星电子和现代地铁。，根据整个时期的观察结果进行选择。

所有数据的平均值均为零。因此，主成分可以用两个正交的箭头表示，箭头穿过原点，方差最大。粗线代表第一个主成分，虚线代表第二个主成分。两个箭头都是从协方差矩阵的特征向量中导出的向量，这些特征向量由相应的特征值缩放。然后，旋转空间，使主分量与坐标轴对齐。这样，数据在主成分空间中是不相关的。图4 KOSPI中前两个主要成分的曲线图：三星电子和现代IMTR（颜色见在线版本）。biplot有助于挖掘PCA的一些线索。双图绘制了前两个主分量上的库存负荷投影。KOSPI和HIS的双批次图分别如图5和图6所示。这些图反映了共同运动的现象，因为共同运动的成分股彼此靠近，并构成一个集群。根据经验，我们观察到，一个集群中高度相关的股票来自类似领域的公司（如SKTelecom、KT和KT&g），或者一些相关公司是其他公司的子公司和分支机构（如三星分公司和三星有限公司、LGBranchs和LG有限公司）。3.3.3 KOSPI和HSI的方向预测结果需要做出两个决定支持向量机分类器。一种是选择要使用的核函数，即线性、多项式或径向基函数（RBF）。另一个是参数C的选择。几项研究表明RBF核函数（Huanget al.，2005；Kim，2003；Tay和Cao，2001）也用于我们的实验。

对于参数C，较小的值会导致训练数据拟合不足，较大的值会导致拟合过度。因此，已知0.1到1000之间的值是参数C的适当选择。在我们的实验中，使用C=100，因为它在之前的研究中得到了验证（Kim，2003；Tay和Cao，2001）。考虑到SVM分类器的RBF核和C=100，我们检验了所提出的方法在预测指数方面的有效性。KOSPI和HIS的命中率比较如图7所示。为了与虚拟机的性能进行比较，我们还测试了人工神经网络和随机游走（RW）作为基准。此外，我们还为SVM和ANN输入了特定的主成分，以验证PCA的影响。图5 KOSPI的双图（颜色见在线版本）注：水平轴和垂直轴分别代表第一和第二个主要组件。共同移动的股票用红色椭圆圈起来。图6 HIS的双图（颜色见在线版本）注释：水平轴和垂直轴分别代表第一个和第二个主要组件。共同移动的股票用红色椭圆圈起来。图7预测KOSPI和Hispi的命中率图8命中率的平均值和标准推导从表中可以看出，RW模型的性能适中。由于PCA-SVM和PCA-ANN分别优于原始SVM和ANN，因此PCA的影响是显著的。所提出的PCA-SVM在预测KOSPI和HIS时的平均命中率略好于PCA-ANN，如图8所示。然而，基于人工神经网络的方法比支持向量机的派生更大。这一事实反映了ANN的缺点，即波动性和过度拟合问题，从表中可以清楚地看出。

另一方面，我们强调，在第四轮，即2008年次贷危机发生期间，PAC-SVM在这一期间表现温和，但仍优于RW模型。然而，由于预测结果的两个指标之间存在巨大差异，人工神经网络是不可信的。3.3.4成分方向预测的结果使用所提出的PCA-SVM、ANN和RW进行了KOSPI和HSI成分方向预测的第二次实验。在本文中，我们报告了图9和图11所示的KOSPI[SamsungElec（SAEL）、现代国际贸易公司（HYMT）]和HIS[东亚银行（BOEA）、中信泰富（CIPA）]的四种样本成分，以及图11和图12所示的平均值和标准推导。与市场指数方向预测不同，预测单个成分的命中率平均更好。PCA的影响也和前一节一样明显。与PCA-ANN相比，PCA-SVM的平均命中率更高，标准偏差更低。所有测试实验表明，使用主成分分析的方法性能更好。综上所述，所提出的方法在预测运动方向方面相当可靠。图9 Kospi中预测SAEL和HYMT的命中率图10命中率的平均值和标准偏差图11 His中预测BOEA和CIPA的命中率图12命中率的平均值和标准偏差成分预测方向的准确度显著高于指数（置信水平为0.05），这不同于一般的理解，即指数预测更容易。我们可以通过分析股票价格数据来解释这一观察结果。由于成分股的价格比指数的波动性更大，分类器更容易找到模式。

因此，对成分股的预测具有更好的准确性。4结论与未来研究在本文中，我们提出了一个PCA-SVM集成模型来预测股市指数和个别股票价格的方向。在该模型中，主成分分析识别的主成分与支持向量机中的内部和外部财务因素一起用于预测。我们还介绍了基于KOSPI和HSI的广泛经验。实证实验结果表明，该方法为预测KOSPI和HSI组分的运动方向提供了显著的高命中率。由于我们的实验使用长时间的滚动窗口数据计算了提前一天的预测，结果不是有限样本选择的结果，而是当时所有可用信息的可靠结果。我们的结果也验证了韩国（或香港）股市和美国股市之间的协动效应，因为使用了标准普尔500指数和汇率。作为未来的研究，有必要对该方法的性能进行理论研究。根据双标图，共移动股票的聚类需要进一步研究。对更好的成分预测性能的理论分析也值得研究。此外，其他特征选择方法，例如深度信念网络（DBN），也可以有效地提取分类器的股票价格特征，这有待于进一步研究。参考Cheng，W.，Wagner，W.和Lin，C-H.（1996）“利用神经网络系统预测30年期美国国债”，金融计算智能杂志，第一卷，第4期，第10-16页。Cortes，C.和Vapnik，V.（1995）“支持向量网络”，机器学习，第20卷，第3期，第273-297页。格鲁德尼茨基，G.和奥斯本，L。

（1993）“预测标准普尔和黄金期货价格：神经网络的应用”，《期货市场杂志》，第13卷，第6期，第631-643页。Guresen，E.，Kayakutlu，G.和Daim，T.U.（2011），“在股市指数预测中使用人工神经网络模型”，专家系统与应用，第38卷，第8期，第10389-10397页。黄伟文、中谷英和王世永（2005），“用支持向量机预测股市走势方向”，《计算机与运筹学》，第32卷，第10期，第2513-2522页。高立军、邱春军、吕春军、杨春军（2013），“非线性独立分量分析和支持向量回归在股价预测中的集成”，神经计算，第99卷，第1期，第534-542页。Kim，K-J.（2003），“使用支持向量机进行金融时间序列预测”，神经计算，第55卷，第1期，第307-319页。刘耀安、潘文山和谢建平（1998），“股价运动的国际传递：来自美国和五个亚太市场的证据”，《经济与金融杂志》，第22卷，第1期，第59-69页。欧平和王浩（2009），“利用十种数据挖掘技术预测股市指数的运动”，《现代应用科学》，第3卷，第12期，第28页。Pathak，B.V.等人（2011）《印度金融体系：市场、机构和服务》，培生教育印度。Pearson，K.（1901）“LIII：与空间点系最接近的直线和平面”，伦敦、爱丁堡和都柏林哲学杂志和科学杂志，第2卷，第11期，第559-572页。Pindyck，R.S.和Rotemberg，J.J.（1993）“股票价格的共同运动”，《经济学季刊》，第108卷，第4期，第1073-1104页。Saad，E.W.，Prokhorov，D.V.和Wunsch，D.C.等人（1998），“使用时间延迟、递归和概率神经网络进行股票趋势预测的比较研究”，IEEE Transactionson神经网络，第9卷，第2期。

6，第1456-1470页。Shiller，R.J.（1989），“股票价格的共同变动和股息的共同变动”，《金融杂志》，第44卷，第3期，第719-730页。Tay，F.E.H.和Cao，L.（2001），“支持向量机在金融时间序列预测中的应用”，Omega，第29卷，第4期，第309-317页。