工作论文：基于

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：
《Working Paper: Improved Stock Price Forecasting Algorithm based on
  Feature-weighed Support Vector Regression by using Grey Correlation Degree》
---
作者：
Quanxi Wang
---
最新提交年份：
2019
---
英文摘要：
  With the widespread engineering applications ranging from artificial intelligence and big data decision-making, originally a lot of tedious financial data processing, processing and analysis have become more and more convenient and effective. This paper aims to improve the accuracy of stock price forecasting. It improves the support vector machine regression algorithm by using grey correlation analysis (GCA) and improves the accuracy of stock prediction. This article first divides the factors affecting the stock price movement into behavioral factors and technical factors. The behavioral factors mainly include weather indicators and emotional indicators. The technical factors mainly include the daily closing data and the HS 300 Index, and then measure relation through the method of grey correlation analysis. The relationship between the stock price and its impact factors during the trading day, and this relationship is transformed into the characteristic weight of each impact factor. The weight of the impact factors of all trading days is weighted by the feature weight, and finally the support vector regression (SVR) is used. The forecast of the revised stock trading data was compared based on the forecast results of technical indicators (MSE, MAE, SCC, and DS) and unmodified transaction data, and it was found that the forecast results were significantly improved.
---
中文摘要：
随着人工智能和大数据决策等广泛的工程应用，原本大量繁琐的金融数据处理、处理和分析变得越来越方便和有效。本文旨在提高股票价格预测的准确性。利用灰色关联分析（GCA）对支持向量机回归算法进行了改进，提高了股票预测的准确性。本文首先将影响股票价格变动的因素分为行为因素和技术因素。行为因素主要包括天气指标和情绪指标。技术因素主要包括每日收盘数据和HS 300指数，然后通过灰色关联分析的方法度量关系。交易日内股价与其影响因素之间的关系，并将此关系转化为各影响因素的特征权重。利用特征权重对各交易日的影响因素权重进行加权，最后采用支持向量回归（SVR）。根据技术指标（MSE、MAE、SCC和DS）的预测结果和未修改的交易数据，对修改后的股票交易数据的预测进行了比较，发现预测结果得到了显著改善。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--
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：
--> Working_Paper:_Improved_Stock_Price_Forecasting_Algorithm_based_on_Feature-weigh.pdf (453.03 KB)

2022-6-14 05:10:16 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：工作论文 Applications Quantitative relationship Intelligence

工作论文利用灰色关联度（GreyCorrelation DegreeQuansi WangAbstracts）改进了基于特征加权支持向量回归的股价预测算法。随着人工智能和大数据决策等广泛的工程应用，原本需要大量繁琐的金融数据处理，处理和分析变得越来越方便和有效。本文旨在提高股票价格预测的准确性。利用灰色关联分析（GCA）对支持向量机回归算法进行了改进，提高了股票预测的准确性。本文首先将影响股价波动的因素分为行为因素和技术因素。行为因素主要包括天气指标和情绪指标。技术因素主要包括每日收盘数据和HS 300指数，然后通过灰色关联分析方法度量关系。交易日内股价与其影响因素之间的关系，并将此关系转化为每个影响因素的特征权重。通过特征权重对各交易日影响因素的权重进行加权，最后采用支持向量回归（SVR）。根据技术指标（MSE、MAE、SCC和DS）的预测结果和未修改的交易数据，对修改后的股票交易数据的预测进行了比较，发现预测结果得到了显著改善。关键词：支持向量回归（SVR）、灰色关联分析（GCA）、行为金融学、股票预测1。随着计算机科学的应用，海量金融数据的数据处理和数据分析变得越来越容易。

人们更喜欢依靠计算机来处理财务问题，而不是传统的人工统计，特别是在股票价格预测方面，这是许多研究人员关注的一个普遍部分。关于实际市场中股票价格可预测性的讨论从未停止过，因为股票市场是一个复杂的非线性动态系统，经典非线性函数值的估计和外推远远不能适应股票市场的复杂性。尽管机器学习方法非常复杂，但由于其特殊的非线性适应性，许多机器学习方法在股票价格预测中的应用非常突出。Baba N和Kozaki M（1992）使用一种混合算法，将改进的BP（反向传播）方法与随机优化方法相结合，来训练神经网络中的参数，并开发用于预测日本市场股票价格的算法。Xing Chen（2001）、Weidong Meng和Taihua Ya提出了一种基于T-S模型的模糊神经网络股票市场建模和预测方法。Yiwen Yan g（2001）、Guizhong Liu和Zongping Zhang提出了一种将嵌入理论和人工神经网络相结合的混沌数据预测方法，并将该方法应用于股市预测。Tay F EH和Cao L（2007）提出了一种改进的支持向量机模型来模拟非平稳金融时间序列。股票价格预测的核心问题之一是如何选择有效的定量财务技术。支持向量机（SVM）不同于传统的机器学习方法，具有优异的非线性适应性。其优化目标是使置信区间值最小化，其优化约束是训练误差。

此外，将支持向量机的求解问题转化为二次规划问题的求解，从而得到唯一的全局最优解。当SVMis应用于回归问题时，我们通常称之为SVM回归SVR。然而，传统的SVR方法（c-SVR）在应用于股票价格预测时存在一些局限性，因为预测结果受输入特征向量的影响很大。因此，在预测模型建立时，应考虑每个特征向量的特征权重，并进行一定的特征选择。灰色关联分析（GCA）是一种基于对模型的贴近度来衡量因素间相似性的方法，该方法分别考虑了相似性和贴近度。利用该方法可以确定特征向量的特征权重。有趣的是，特征加权SVR（FWSVR）并不是一个全新的模型。事实上，詹姆斯已经对此进行了研究。K、 Liu和Yanxing Hu（2012）为中国深圳a股市场开发了一种特征加权支持向量机回归算法。然而，直到最近FWSVR才被认为是主流SVR，这导致了测试样本的有限性和未测试的鲁棒性。股票价格预测的另一个核心问题是如何选择准确的预测因子。股票价格波动往往受到多种因素的影响。本质上，根据内在价值理论，股票价格围绕其内在价值波动，并受股票供求的影响。同时，根据行为金融理论，股票价格也会随着投资者对各种因素的心理预期的变化而波动。

因此，在考虑股票价格预测的因素时，我们应该将技术因素和行为因素结合起来。论文的其余部分结构如下。在第二节中，我们从技术因素和行为因素两个方面对股票价格预测的因素进行了详细分类。第三节介绍了股票价格预测算法的两个基本理论，并利用灰色关联度推导了改进的特征加权支持向量回归算法。第4节专门讨论我的改进算法的具体准备工作。第5节给出了两组预测结果，第6.2节给出了结论性意见。股票价格预测的影响因素本部分主要从技术影响因素和行为影响因素两个方面讨论股票价格预测的影响因素。而行为影响因素主要包括天气指标和情绪指标。2.1技术影响因素股票价格预测研究离不开历史数据，影响股票每日价格的最直接因素是当日市场数据的表现。它们是每日最高价格的11倍、每日最低价格的12倍、每日交易量的13倍和每日交易量的14倍。此外，根据前景理论，交易者对股票收益极其敏感。因此，我们将最后一天的每日收盘价纳入15XAS股票收益参考。此外，单个股票的表现可以被视为整个股票市场交易的一个缩影，市场指数通常被作为预测的参考因素。在本文中，我们使用HS300 index16X。

简而言之，我们将影响因素从11XT到16XA视为技术影响因素。2.2行为影响因素股票市场交易者的投资行为植根于投资者自身的认知、情感、态度和心理，是在投资决策和执行过程中形成的。由于股票市场交易者心理的复杂性，世界各国的研究者对股票市场的行为影响因素没有明确的定义。本文将股票价格的行为影响因素分为内部因素和外部因素，用天气因素表示外部因素，用情绪因素表示情绪因素。2.2.1天气指标行为的天气效应意味着一个人的行为状态会受到气象的影响。气象条件是构成人类生存环境的重要因素。气象条件及其变化不仅影响人们的身体健康，而且对人们的心理情绪也有重大影响。股票市场的天气效应是指股票市场的波动性因天气而发生变化的现象。本文主要研究天气指标对股票价格的影响，选取温度21X、湿度21X、大气压力23X和能见度24X。此外，本文主要收集了北京和上海的城市天气指标，并以城市交通总量作为天气指标的权重。2.2.2情绪指标目前，为股票交易员构建情绪指标通常有两种方法：直接投资者情绪指标，如美国个人投资者协会指数和间接投资者情绪指标，如turnoverrate。

考虑到指标的客观性，本文采用间接投资情绪指标。它们是过去20个交易日的换手率31X、过去20个交易日的平均特质率（IVR）32X、AR33X、ADTM34X和OBV35X，每个指标的详细计算过程见附录。3、股票价格预测的基本理论和改进算法在这一部分，我们主要讨论了我的股票价格预测算法的两个基本理论，以及我利用灰色关联度（FWSVR）推导的改进算法，即特征加权支持向量回归。3.1支持向量机回归支持向量机回归（SVR）的基本概念是通过非线性映射Φ将输入空间x中的训练数据集x映射到高维线性空间F，从而将X中的非线性函数估计问题转化为F中的线性函数估计问题，并在空间F中进行线性回归。最后通过逆映射将回归结果返回到原始输入空间X，并得到回归结果y。SVR函数的表达式如下。（）fx w x bД=+（1）其中：回归估计数据集{}（），1，2，。。。，iixy i N=，nixR∈是系统输入向量ANDIYR∈是系统输出。（）xИ是从输入空间x到高维Helbert空间的非线性映射。w是映射函数（）x的直线，它反映了数据样本函数的复杂性。b为偏移量。系数w和b可以通过最小化来估计：2111（）（，（））2niif w c L y fxnε==+∑（2） 其中：0（（））（，（））=（），（（））y fxL yfxy fx y fxεεεεε- ≤--->，（3） C是惩罚因子。

C值越大，超过SLε的数据的损失越大。（）RFI由经验误差和正则化项组成。通过应用拉格朗日方程、对偶问题转换和核函数K（，）=（）（）ij i jxx x xИИ，我们可以将回归函数简化如下：n*1（）（）K（，）i i ijifx xx bα==-+∑（4） 其中：*iα是最优解*iiαα≠SVR模型主要有两种：εSVR和γSVR。本文采用非线性ε-SVR。3.2灰色关联分析灰色关联分析（GCA）的概念源自邓巨龙（1981）的灰色系统理论。GCA根据序列曲线的拓扑特性来度量相似性，以判断其相似性。曲线极化距离越近，对应序列之间的相关性越高，反之亦然。GCA的算法步骤如下。步骤1：找到每个序列的初始值。设置系统功能序列000 0{（1）、（2）、（n）}XXX X X=. 然后设置因子序列12 m，。。。，XX X。

在本文中，系统特征序列是股票的每日收盘价，因素序列是技术影响因素和行为影响因素11 12 35，。。。，XX X.步骤2：计算序列范围。0( ) ( ) ( ) , 1, 2,...,iik Xk Xk i m= - =（5） 步骤3：计算序列的最大范围和最小范围。最大-最大（k），最小-最小（k）iiikikMm== （6） 步骤4：计算灰色关联系数。( ) , (0,1); 1, 2,..., ; 1, 2,...,（）iimMk k ni mkMτγτ+=∈= =+（7） 式中：τ为分辨率，本文中τ=0.5。第五步：计算灰色关联度。11（k），1，2，niikimnδγ===∑（8） iδ可以表示各因素与参考值（收盘价）之间的相关程度。3.3特征加权支持向量回归在欧几里德空间中，j j j jnX x x x x x x x==中两个向量的距离12 1 2（，…，）（，…，）i i i i i可以表示为21（，）ni j ik jkdx x x x==-∑. 经典的SVR也使用这种方法计算高维空间中样本点的距离。Andc SVR基于样本点的所有特征对目标输出值的贡献相同的假设。然而，在现实生活中，股票交易者对股票价格的诸多影响因素并没有一视同仁，甚至对同一影响因素的态度因人而异。因此，假设所有特征具有相同的权重是不合理的。灰色关联分析准确地给出了各因素序列与系统特征序列之间的关联度。

因此，通过对灰色关联度iδ：1，1，2，（k）iinikwimδ===∑（9） 因此，我们可以得到特征加权向量：12 1 2（，…，）（，…，）i i i i i i i in j j jnijX xx x x x x x x w xw xw==假设m影响因素的权重为12（w，w，…，w）imW=，因此两个特征向量的距离可以表示为：21（，）ni j k ik jkdx w x x==-∑（10） 新的核函数isK（W，W）=（W）（W）ij i jxx x xДИИ和特征加权SVR（FWSVR）的最终回归函数公式如下：n*1（）（）K（W，W）ii i jifx x bαα==-+∑(11)4.为改进算法做准备在最后一节中，我们对FWSVR的基本回归函数进行了处理，并得到了其权重。本节主要讨论FWSVR的基本准备，包括数据准备、数据预处理、技术参数设置和选择、预测结果设置的评价体系和因子筛选体系。4.1数据准备基于以往对SVR进行中国股市预测的研究，研究所选股票数据的范围仅限于几到几十只股票。因此，不能完全证明SVR算法在中国股市的推广性。然而，考虑到如果选择整个市场的股票作为研究样本，计算速度会非常慢。因此，本文选取沪深300指数成份股（HS300）作为研究对象，对算法在整个市场的表现进行测试。中国证券市场股权分置改革完成后，股指期货合约于2009年4月16日正式上市交易。2009年10月30日，中国创业板开市交易。