股票投资的人工顾问制度

在这项工作中使用了标准运算符（T-范数和S-范数的最小值和最大值）。FIC1中的算法1技术分析：自库存模糊系统：2：对于i从1到n do 迭代self stock3:E（ri）和σi← 规范化E（ri）和σi4：对自库存模糊系统的E（ri）、σi和η进行模糊化5：对自库存模糊系统应用模糊规则6：wt、si← 针对自库存模糊系统对w进行反模糊处理7：成对库存模糊系统：8：针对i从1到n进行反模糊处理 在self stock9上迭代：对于j，从1到n，不包括i do 在otherstock10上迭代：E（rj）和σj← 规范化E（rj）和σj11：对成对库存模糊系统的E（rj）、σj、ρi、j和η进行模糊化12：对成对库存模糊系统应用模糊规则13：wt、pi、j← 对成对股票模糊系统的w进行反模糊化14:wt，pi←Pn编号-1j=1ρi，jwt，pi，j15:wti← （η×wt，pi）+wt，si 自库存和成对库存的融合16:wt← [重量，…，重量]>17：重量← wt/Pni=1wtiAlgorithm 2 FIC1中的基本分析：cf← [0.3, 0.15, -0.4, -0.5, -0.9]T2:i从1到n do 在stock3上迭代：对于k，从1到nfdo 迭代基本特征4：fi，k← 规范化fi，k5：对fi进行模糊化，以及cf6：应用模糊规则7：wfi← 对w8：wf进行除模糊处理← 【wf，…，wfn】>9:wf← wf/Pni=1wfiSelf-Stock模糊系统：如算法1所示，fic技术分析部分的self-Stock模糊系统对股票进行迭代，并根据股票的预期回报率（ri）、风险σi（标准偏差）和风险容忍度η（见图5a），为每个股票建议权重（wt、siforstock i）。为了准备合适范围的定义成员函数的输入，自库存预期收益和自库存标准偏差分别归一化为E（ri）← E（ri）/0.001+Pni=1 | E（ri）|和σi← σi/（Pni=1σi）（0.0001+σ标度）其中σ标度=η+(1 - η） ×maxi={1，…，N}σi.

σ标度是η的一个函数，用于强调投资者的风险承受能力。两两股票模糊系统：在两两模糊方法（见算法1）中，发现每只股票都比要投资的其他股票好或坏。对于everystock i，我们迭代所有其他股票，以j为索引，图5：用于（a）自股票技术分析、（b）成对股票技术分析和（c）基本面分析的模糊规则。根据成对股票系统的规则（见图5b），权重wt、pi、jare建议。这些规则适用于其他股票的预期收益率E（rj）、风险σj、风险容忍度η和互相关系数ρi，j=S（i，j）/σiσj的模糊值，其中S（i，j）是方差矩阵的元素（i，j）。如前所述，其他股票的预期回报和风险也应正常化。最后，对于每种股票，n- 1获得成对权重，并将其融合。对于股票i的这种融合，将wt、pi、jweights相加，同时用它们的ρi加权，从而确定它们的冲击wt，pi=Pn-1j=1ρi，jwt，pi，j。自库存和成对库存模糊系统的融合：最后，总技术权重为wti=（η×wt，pi）+wt，si，其中，当η较小时，wt，pi的影响被忽略，因为当风险容限较低时，应更重视自库存变量。然后对总技术权重向量进行归一化，以wt=【wt，…，wtn】>，使权重总和为1，wt← 重量/Pni=1wti。FIC中的基本分析：对于FIC中的基本分析，从数据集中选择nf（这里有五个）基本特征，即应收账款、资本支出、存货、毛利率和所得税，用于这项工作。我们为所利用的基本特征定义了基本系数，用CF表示。

该系数在范围内[-1，1]并确定基本特征对股票预期回报的积极或消极影响。考虑到（Abarbanell and Bushee 1997）中报告的分析，该分析报告了上述基本特征对股票预期回报的相对影响，我们确定cf=[0.3，0.15，-0.4, -0.5, -0.9]>作为所用基本特征基本系数的一个因子，具有相同的提及顺序。如算法2所示，对于每只股票，单独的模糊规则用于不同的基本特征（见图5c）。对于每个stocki，由k索引并由fi，k表示的基本特征通过其绝对值的总和进行归一化，以适用于定义的隶属函数fi，k← fi，k/（0.001+Pnfk=1 | fi，k |）。获得的基本权重向量wf=【wf，…，wfn】>最终被归一化为1，wf← wf/Pni=1wfi。结合技术和基本分析：最终，对于来自技术权重WTI和基本权重wfi的库存i，计算总体模糊权重图6：扫掠γ和C与pas wi=αwfi+WTI此处α=nf+c>ffi/2nfand fiisa向量，包含第i个股票的归一化基本特征。请注意，c>FFI在范围内[-因此α的范围是[0,1]。该α决定了基础分析相对于技术分析的重要性。最后，对所有模糊权重w=[w，…，wn]>进行归一化，使其总和为1，w← 带Pni=1wi。实验结果利用的数据集本研究中使用的数据集是纽约证券交易所（NYSE）的数据集。该数据集包含2010年至2016年140只股票的信息。我们选取25只知名股票进行预测，并与文献进行比较。

尽管我们的算法可以应用于任何数量的股票，但大多数股票都是受（Song 2018）的启发选择的。选定的25家股票包括AAPL（苹果）、AIG（美国国际集团）、AMZN（亚马逊）、BA（波音）、CAT（卡特彼勒）、COF（Capital One）、EBAY、F（福特）、FDX（联邦快递）、GE（通用电气）、GM（通用汽车）、GOOG（谷歌Alphabet Inc.）、HD（家得宝）、IBM、JNJ（强生）、JPM（摩根大通公司）、KO（可口可乐）、MSFT（微软）、NKE（耐克）、ORCL（甲骨文）、PEP（百事），T（美国电话电报公司）、WMT（沃尔玛）、XOM（埃克森美孚）和XRX（施乐）。此数据集在本工作中使用的信息包括：（I）价格：以时间序列表示的价格（美元），包括开盘价（上午价格）、收盘价（晚上价格）、最低和最高价格以及成交量（当天交易的股票数量）。对于培训数据，前80%的数据（约2010年至2014年）用于培训，其余数据（约2015年和2016年）用于测试。为了调整参数，图7中的最后20%是：预测猫类股票最高价格的平均时间序列。培训集进行验证。（二） 基本属性：它包含一些显示公司年度绩效的数字指标，如应收账款、资本支出、库存、毛利率和所得税。2013年至2015年的特征被用作FIC的基本输入。价格预测结果建议的框架包括三个参数p、 C和γ。要调整这些参数，请使用不同的值，即：。，在验证集上测试p={5，10，…，40}，C={0.1，10，100，1000}，和γ={0.1，0.01，0.001，0.0001}。图6显示了验证集中25只股票的平均命中率。请注意，命中率（HR）公式为HR=mPmt=1符号（er（t））？=符号（r（t））其中m是预测的天数。

人力资源部评估预测价格趋势的程度。如图6所示，获得的最佳参数为C=1000，p=5，γ=0.001。正如预期的那样，较大的C会惩罚松弛变量以更好地预测，较小的γ会避免有偏差的模型。根据（Song 2018）的说法，小窗户的尺寸也是有意义的。我们使用文献中的标准方法评估预测，即命中率（HR）、平均绝对误差（MAE=（1/m）Pmt=1s（t）- es（t）), 均方根误差（RMSE=qmPmt=1s（t）- es（t）)其中es（t）表示预测的时间序列。为了更好地比较这些指标，我们还报告了平均绝对百分比误差（MAPE=（100/m）Pmt=1|s（t）-es（t）/s（t）|）。表1中报告了25种股票的测试结果。我们评估了两种情况下的价格预测，即本表中报告的非平滑价格（NSP）和滑动平均平滑价格（SP）。我们在不同股票上的MAE、RMSE和MAPE误差相对较小。此外，所有股票的命中率都相当高，显示了SVRin预测时间序列及其趋势的良好表现。SP的命中率都很高，表明了我们算法的有效性。表1还将拟议框架的股票预测与最近的趋势预测（TP）（Song 2018）工作进行了比较。如本表所示，NSP图8：30天期间的实际和预测预算。在stocksAAPL、AMZN、BA、COF、GOOG、NKE、ORCL和T方面表现优于TP或与之有可比性。值得注意的是，TP（2018年宋）仅预测上升趋势为+1-1表示下降趋势，并在此基础上测量命中率。

然而，NSP预测的是实际价格，而我们的命中率是基于预测价格（而不是趋势），这更为困难。为了从视觉上了解价格预测的性能，请参见图7，图7显示预测的平均时间序列与实际的平均序列非常接近。权重建议结果预测平均价格，即SP，用作权重建议部分的输入。为了说明权重建议模块的性能，假设投资者的初始预算（用B表示）为1000美元。基于投资组合理论或模糊逻辑（FIC）提出的权重建议方法在投资于20只股票的预算中进行了测试（除了GE、GOOG、ORCL和JNJB之外的所有股票，因为数据集中缺乏基本特征，而GM的股票由于数据集中技术特征的时间序列不完整）。对于一段时间内的每一天，都会找到最佳权重{wi}ni=1，从中可以分别获得实际未来收益率r和预期未来收益率E（r）asPni=1wiriandPni=1wiE（ri）。然后根据获得的r作为B更新实际未来预算（B← B×（1+r）。请注意，根据理性，如果预期回报为负，我们将在未来退出股市。以30天为例，该程序用于比较和分析三种不同权重建议方法（投资组合理论、FIC和随机权重）的实际剩余预算。此示例30天周期包括数据集的1537到1567天，尽管可以是任何时间跨度。η=30%的实际预算如图8所示。在第30天，使用portfoliotheory、FIC和随机加权，实际预算分别更新为1078.88美元、1072.26美元和1059.98美元。

如图所示，基于投资组合理论的实际预算高于基于模糊逻辑的实际预算andAAPL AIG AMZN BA CAT COF EBAY F FDX GE GM GOOG HDNSPHR 61.16%55.36%57.68%60.00%60.29%58.26%56.81%61.45%58.26%53.33%61.46%57.97%56.52%MAE 1.058 0.410 7.973 1.310 0.848 0.757 0.291 0.131 1.517 0.228 0.332 6.676 1.086RMSE 1.483 0.710 11.085 1.748 1.150 1.018 0.474 0.190 2.227 0.320 0.4559.707 1.478最大值0.99%0.84%1.23%0.97%1.12%1.04%1.07%1.00%0.97%0.78%1.04%0.92%0.85%SPHR 91.59%92.17%93.33%85.50%88.69%95.65%89.56%86.08%93.04%92.17%83.76%89.70%92.75%TP（Song 2018）人力资源57.58%58.79%56.21%60.15%57.12%59.70%59.55%61.21%×58.33%59.70%IBM JNJ JPM KO MSFT NKE ORCL PEP T WMT XOM XRXNSPHR 55.94%52.75%56.23%54.49%53.62%60.00%58.26%57.68%57.68%56.52%54.49%60.00%MAE 1.178 0.613 0.598 0.236 0.461 0.598 0.286 0.579 0.229 0.502 0.669 0.110RMSE 1.681 0.889 0.879 0.333 0.708 0.834 0.408 0.802 0.313 0.799 0.885 0.160MAPE 0.80%0.56%0.92%0.55%0.87%1.02%0.74%0.61%0.75%0.80%1.10%SPHR 92.46%93.04%94.49%90.14%89.27%90.14%93.91%88.98%93.91%94.49%93.62%85.50%TP（宋2018）HR×56.52%61.67%59.24%59.09%60.61%58.94%59.39%58.64%60.91%60.45%×表1：我们在预测技术特征方面的工作评估以及与相关工作的比较。X符号表示相关工作在该库存上没有结果。随机投资，因为它基于优化。考虑到技术和基本特征，投资预算结果非常接近投资组合理论的结果；这表明FIC密切模拟了投资组合理论的优化行为。

综上所述，如图8所示，两种提出的权重建议方法都优于随机投资。结论和未来方向本文展示了一种新型的端到端艺术投资顾问，该顾问首先预测了几种股票的价格时间序列，然后提出了投资股票的最佳预算比例，以在未来获得最佳回报。与投资组合理论相比，FIC为我们提供了考虑更多特征的机会，例如新闻或情感属性（例如，社交媒体影响（Yang、Mo和Liu 2015）），类似于专家经纪人。未来的一些工作可以考虑更专业的金融资产，例如卖空和Elliott waves，以建立更完整的交易系统。参考Sabarbanell，J.S.和Bushee，B.J.1997。基本分析、未来收益和股价。会计研究杂志35（1）：1-24。Atsalakis，G.S.和Valavanis，K.P.2009a。使用基于神经模糊的方法预测股市短期趋势。具有应用程序的专家系统36（7）：10696–10707。Atsalakis，G.S.和Valavanis，K.P.2009b。调查股票市场预测技术——第二部分：软计算方法。应用专家系统36（3）：5932–5941。Bodie，Z。；凯恩，A。；和Marcus，A.J.2014。投资。麦格劳·希尔教育。Cao，L.-J.，和Tay，F.E.H.，2003年。金融时间序列预测中具有自适应参数的支持向量机。IEEE神经网络学报14（6）：1506–1518。卡瓦尔坎特，R.C。；巴西里罗共和国。；Souza，V.L。；Nobrega，J.P。；和Oliveira，A.L.2016。计算智能与金融市场：调查与未来方向。ExpertSystems with Applications 55:194–211。陈，J.2010。支持向量机在使用经验技术指标进行财务时间序列预测中的应用。

信息网络与自动化（ICINA），2010年国际会议，第1卷，V1-77。IEEE。Fletcher，T.2012年。用于金融市场预测的机器学习。UCL（伦敦大学学院）博士论文。Halliday，R.2004年。利用神经网络进行股票趋势预测。《信息与数学科学研究快报》6:15–29。Ican，¨O.，和C,elik，T.B.2017年。股票市场预测神经网络的性能：文献综述。《国际经济与金融杂志》9（11）：100–108。Karray，F.O.，和De Silva，约2004年。软计算和智能系统设计：理论、工具和应用。皮尔逊教育。Kayal，A.，2010年。外汇交易信号的神经网络过滤机制。智能计算和智能系统（ICIS），2010年IEEE国际会议，第3卷，159–167。IEEE。Klir，G.和Yuan，B.1995年。模糊集与模糊逻辑：理论与应用。新泽西普伦蒂斯大厅。Makridakis，S。；Spiliotis，E。；和Assimakopoulos，V.2018。统计和机器学习预测方法：关注点和前进方向。PloS one 13（3）：e0194889。Song，Y.2018年。股票趋势预测：基于机器学习方法。加州大学洛杉矶分校（UCLA）硕士论文。Vanstone，B.，和Finnie，G.，2009年。使用人工神经网络开发股票市场交易系统的实证方法。具有应用程序的专家系统36（3）：6668–6680。Wilder，J.W.1978年。技术交易系统中的新概念。趋势研究。Yang，S.Y。；Mo，S.Y.K。；和Liu，A.，2015年。推特金融社区情绪及其与股市走势的预测关系。定量金融15（10）：1637–1656。