股票预测：用机器预测长期股价变动

这并不是很大的改进，但它证明了正确选择特征可以改善股票预测的结果。5讨论本文提出了一种机器学习辅助的股票长期走势预测方法。对于所有28个选定的财务指标，该方法的F分数为75.1%，但是，通过选择功能，功能的数量可以减少到11个，而性能可以增加到76.5%的F分数。虽然增幅不大，但该算法效率更高，速度更快，特征集更小。更大数据集中的一些特征是不必要的，因为它们没有提供有关公司估值的任何相关信息，而其他特征只是重复了已经分析过的财务指标告诉我们的事实。例如，如果总股票数量和每股收益率的值可用，则可以假设收益值。似乎不需要关于增长的信息。由此可以推断，描述公司当前财务状况的比率和信息，如果不考虑过去的业绩，就足以预测公司未来的行为（这项工作显示了准确性）。这一原则对于想要投资新公司的投资者尤其有用。只有通过查看现有数据才能对公司进行估值和预测其未来的假设还需要进一步检验，然而，在我们的数据集案例中，它被证明是正确的。我们将把这些假设留给未来的研究人员进行更详细的测试。我们的算法的F分数为76.5%，正确分类了76.5%的实例。这意味着，向投资者提供该模型的工具可以通过向他/她推荐可能表现良好的股票，极大地帮助投资者做出决策。

算法仍然会犯错误，给一些表现良好的股票和表现不佳的股票贴上标签，反之亦然。然而，据我们所知，这是最先进的长期股票价格方向预测。这项研究的局限性在于，这些模型不是根据不受时间限制的数据创建的。生成金融机器学习模型更准确的方法是将训练数据限制到某一年，同时在看不见的未来数据上进行测试。在这种情况下，这还没有完成，整个datasetis被分成训练和测试两部分，并进行测试。市场可能会随着时间的推移而变化，因此交叉验证评估不会捕捉这些变化，可能会引入所谓的“前瞻性偏差”。当研究假设投资者在某个时间点可以获得信息，而事实上这些信息尚未公开时，就会出现前瞻性偏差（Davis，1994）。6 REFERENCESAkbani，R.，Kwek，S.&Japkowicz，N.，2004年。将支持向量机应用于不平衡数据集。s、 l.，斯普林格，第39-50页。巴尔斯基，R.B.和德隆，J.B.，1992年。股市为什么会波动？，s、 l:国家经济研究局。戴维斯，J.，1994年。已实现股票收益的横截面：预计算证据。。《金融杂志》，第49（5）页，1579-1593页。《金融时报》，2014年。《金融时报》词典。[在线]网址：http://lexicon.ft.com/Term?term=market-资本化[2016年2月16日查阅]。甘安瓦尔，V.，2012年。不平衡数据集分类算法概述。《国际新兴技术与先进工程杂志》，2（4），第42-47页。格雷厄姆，B.，1949年。聪明的投资者。s、 l:哈珀。霍尔，M.等人，2009年。WEKA数据挖掘软件：更新。ACM SIGKDD探索通讯，11（1），第10-18页。亨德肖特，T.和莫尔顿，P。

C.，2011年。自动化、速度和股市质量：纽约证券交易所的混合。《金融市场杂志》，14（4），第568-604页。赫尔曼森，R.H.，爱德华兹，J.D.和萨尔蒙森，R.，1987年。《会计原则》第二卷，陶氏JonesIrwin。s、 l:道琼斯欧文。黄，W.，中村，Y.&王，S-Y.，2005年。用支持向量机预测股市走势。《计算机与运筹学》，32（10），第2513-2522页。黄，Z.等人，2004年。支持向量机和神经网络的信用评级分析：市场比较研究。《决策支持系统》，37（4），第543-558页。金，K-j.，2003年。使用支持向量机进行金融时间序列预测。神经计算，55（1），第307-319页。李，Y-C.，2007年。支持向量机在企业信用评级预测中的应用。专家系统与应用，33（1），第67-74页。Min，J.H.和Lee，Y-C.，2005年。采用核函数参数最优选择的支持向量机进行破产预测。专家系统与应用，28（4），第603-614页。Phua，P.K.H.，Zhu，X.&Koh，C.H.，2003年。使用信赖域方法的神经网络预测股票指数增量。s、 l.，IEEE，第260-265页。舒梅克，R.P.&陈，H.，2009年。利用突发性金融新闻对股市预测进行文本分析：AZFin文本系统。ACM信息系统交易（TOIS），27（2）。谭，K.Y.，1991年。神经网络模型与银行破产预测。Omega，19（5），第429445页。蔡C.和王S.，2009年。利用混合机器学习技术进行股票价格预测。s、 l.，s.n.威尔逊，R.l.和沙尔达，R.，1994年。利用神经网络进行破产预测。《决策支持系统》，第11（5）页，545-557页。