高效股票的超启发式优化前馈神经网络

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：
《Metaheuristics optimized feedforward neural networks for efficient stock
  price prediction》
---
作者：
Bradley J. Pillay and Absalom E. Ezugwu
---
最新提交年份：
2020
---
英文摘要：
  The prediction of stock prices is an important task in economics, investment and making financial decisions. This has, for decades, spurred the interest of many researchers to make focused contributions to the design of accurate stock price predictive models; of which some have been utilized to predict the next day opening and closing prices of the stock indices. This paper proposes the design and implementation of a hybrid symbiotic organisms search trained feedforward neural network model for effective and accurate stock price prediction. The symbiotic organisms search algorithm is used as an efficient optimization technique to train the feedforward neural networks, while the resulting training process is used to build a better stock price prediction model. Furthermore, the study also presents a comparative performance evaluation of three different stock price forecasting models; namely, the particle swarm optimization trained feedforward neural network model, the genetic algorithm trained feedforward neural network model and the well-known ARIMA model. The system developed in support of this study utilizes sixteen stock indices as time series datasets for training and testing purpose. Three statistical evaluation measures are used to compare the results of the implemented models, namely the root mean squared error, the mean absolute percentage error and the mean absolution deviation. The computational results obtained reveal that the symbiotic organisms search trained feedforward neural network model exhibits outstanding predictive performance compared to the other models. However, the performance study shows that the three metaheuristics trained feedforward neural network models have promising predictive competence for solving problems of high dimensional nonlinear time series data, which are difficult to capture by traditional models.
---
中文摘要：
股票价格预测是经济学、投资学和财务决策学中的一项重要任务。几十年来，这激发了许多研究人员的兴趣，他们致力于设计准确的股价预测模型；其中一些被用来预测股票指数的次日开盘价和收盘价。本文提出了一种混合共生生物搜索训练的前馈神经网络模型的设计与实现，用于有效而准确的股价预测。将共生生物搜索算法作为一种有效的优化技术来训练前馈神经网络，并将其训练过程用于构建更好的股价预测模型。此外，本研究还对三种不同的股价预测模型进行了绩效比较评估；即粒子群优化训练的前馈神经网络模型、遗传算法训练的前馈神经网络模型和著名的ARIMA模型。为支持本研究而开发的系统利用16种股票指数作为时间序列数据集，用于培训和测试目的。使用三种统计评估指标，即均方根误差、平均绝对百分比误差和平均绝对偏差，来比较所实现模型的结果。计算结果表明，与其他模型相比，共生生物搜索训练的前馈神经网络模型具有优异的预测性能。然而，性能研究表明，三种元启发式训练的前馈神经网络模型对于解决传统模型难以捕捉的高维非线性时间序列数据问题具有很好的预测能力。
---
分类信息：

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
--
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：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--

---
PDF下载：
--> Metaheuristics_optimized_feedforward_neural_networks_for_efficient_stock_price_p.pdf (2.24 MB)

2022-6-24 05:50:50 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：神经网络 神经网 启发式 Applications Optimization

用于有效股票价格预测的元启发式优化前馈神经网络Bradley J.Pillay1和Absalom E.Ezugwu2南非德班4000私立Bag X54001夸祖鲁-纳塔尔大学数学、统计和计算机科学学院。2南非夸祖鲁-纳塔尔夸祖鲁-纳塔尔夸祖鲁-纳塔尔夸祖鲁-纳塔尔夸祖鲁-纳塔尔夸祖鲁-纳塔尔夸祖鲁-纳塔尔夸祖鲁-纳塔尔夸祖鲁-纳塔尔夸祖鲁-纳塔尔夸祖鲁-纳塔尔夸祖鲁-纳塔尔夸祖鲁-纳塔尔夸祖鲁-纳塔尔夸祖鲁-纳塔尔夸祖。通讯作者电子邮件：ezugwua@ukzn.ac.za摘要股票价格预测是经济学、投资学和财务决策学中的一项重要任务。几十年来，这激发了许多研究人员的兴趣，他们致力于设计准确的股价预测模型；其中一些被用来预测股票指数的次日开盘价和收盘价。本文提出了一种混合共生生物搜索训练的前馈神经网络模型的设计与实现，用于有效而准确的股价预测。将共生生物搜索算法作为一种有效的优化技术来训练前馈神经网络，并将其训练过程用于构建更好的股价预测模型。此外，本研究还对三种不同的股价预测模型进行了绩效比较评估；即粒子群优化训练的前馈神经网络模型、遗传算法训练的前馈神经网络模型和著名的ARIMA模型。为支持本研究而开发的系统利用16种股票指数作为时间序列数据集，用于培训和测试目的。

使用三种统计评估指标，即均方根误差、平均绝对百分比误差和平均绝对偏差，来比较所实现模型的结果。计算结果表明，与其他模型相比，共生生物搜索训练的前馈神经网络模型具有优异的预测性能。然而，性能研究表明，三种元启发式训练的前馈神经网络模型对于解决传统模型难以捕捉的高维非线性时间序列数据问题具有很好的预测能力。关键词：股价预测；共生生物搜索算法；粒子群优化算法；遗传算法；前馈神经网络。股票市场通常被认为对一个国家的经济发展非常重要。它提供了一种形式的时间序列数据，一方面是高度非线性和非平稳的。另一方面，股市预测是试图确定公司股票或其他金融工具在交易所交易的未来价值的行为。成功预测股票的未来价格可以为投资者提供与其投资相关的指导。有效市场假说表明，股票价格反映了所有当前可用的信息，任何不基于新披露信息的价格变化本质上都是不可预测的。其他学派持不同意见，这些人依靠各种方法和技术来洞察未来的价格信息[2]。

需要注意的是，股票的感知价值通常受到每股收益、公司账面价值、市盈率和每股股息的影响。尽管这些因素是影响基本股价的基本单位，但市场在任何时候都会对特定股价施加一定的影响。这是由于市场内需求和供应的不断拉动和推动；这种波动可能是由于交易者的个人偏好、媒体描述的事件、对证券交易所的战略方针或基于其他交易者行为的看法造成的。虽然根据特定股票过去的行为模式，可以在一定程度上估计此类波动，但导致股票行为超出其正常水平的随机事件很难预测。然而，这些事件正是有经验的交易者寻求利润最大化的原因。因此，对这些异常现象的任何洞察对市场内的任何交易员都是非常有价值的【3】。传统上，股价预测是使用时间序列分析方法进行的[4]。线性模型，如自回归综合移动平均（ARIMA）[8，27]在股市预测中已经使用了几十年。使用此类线性模型的一个重要挑战是，它们仅适用于特定的时间序列数据，这意味着该模型是面向数据和特定问题的。因此，该模型不能用于处理与股市预测相关的复杂动态。人们注意到，随着人工神经网络（ANN）的出现，股市分析现在可以有效地进行，对未接受的变量具有更高的准确性和责任感[5、6、7]。

使用人工神经网络进行预测的一些优势在于，它们能够轻松学习非线性复杂模型，并处理高波动率的数据【24】。然而，由于人工神经网络使用基于梯度的学习技术，受停止标准动态、更长的训练周期、复杂体系结构导致的权值变化以及容易陷入局部极小值的影响，因此网络模型的性能受到一定限制[25，26]。关于实现结果的文献表明，通过改进或混合ANN和ARIMA模型的变体，非混合时间序列模型的性能优于ARIMA模型[8]。因此，这些增强技术的结果清楚地表明，通过杂交技术可以克服神经网络模型的上述局限性。训练神经网络的任务被认为是开发基于神经网络的预测模型的主要挑战之一。因此，文献中大量的实例表明，通过使用不同的全局优化元启发式算法优化基于ANN的模型的训练和学习速度，可以提高模型的效率和准确性。例如，Panapakidis等人[30]基于多种技术的组合，提出了一种用于天然气日前需求预测的混合预测模型，其中使用遗传算法（GA）优化神经网络模型的权重向量，Fattah等人[31]提出了一种基于前馈神经网络（FFNNs）模型的混合遗传算法，用于自动文本摘要。粒子群优化（PSO）在FFNN权重优化中的许多其他应用已经被记录下来【13、28、29、37】。

Socha和Blum将蚁群优化（ACO）的连续版本有效地应用于优化FFNN的权重向量【38】。Sarangi等人[39]提出了使用人工蜂群模型和反向传播算法训练前馈神经网络。在Kulluk等人【40】的研究中，采用和声搜索（HS）算法优化FFNN的权重向量。Ghasemiyeh等人【45】提出了一项研究，该研究考虑了股票交易所价格的预测，提出了一种混合人工神经网络模型，该模型采用了几种元启发式算法。他们的研究使用了布谷鸟搜索算法、用遗传算法改进布谷鸟搜索和粒子群优化算法。其他类似用于FFNNs权重向量和训练优化的全局优化元启发式技术包括萤火虫算法（FA）[41]、布谷鸟搜索（CS）算法[42]、重力搜索优化（GSO）算法[43]和细菌觅食优化（BFO）算法[44]。然而，文献中很少有将共生生物搜索（SOS）算法应用于ANN其他变体的训练的实例（见[12，32，33]）。本文针对股票市场价格预测问题，提出了一种高效的混合共生生物搜索前馈神经网络，利用SOS算法优化FFNNs的训练和测试过程；这里称为SOSFFNN模型。更重要的是，当前研究的具体目标是开发一个新的通用混合框架，该框架将SOS、PSO和GA的全局优化元启发式方法与FFNNs模型相结合，以有效地预测股票价格指数。

此外，本研究还对四种不同的预测模型进行了性能比较研究，包括ARIMA模型、拟议的SOSFFNN模型、粒子群优化训练的前馈神经网络（PSOFFNN）模型和遗传算法训练的前馈神经网络（GAFFNN）模型，其中最后三个是著名的全局优化元启发式算法与FFNNs的混合。这三种元启发式算法的选择基于其在以下方面的跟踪记录：高效性能、特定进化算子特征、个体或粒子之间有趣的协作交互机制、有效的控制参数调整和处理能力、停滞预防方法、，良好的集约化和多元化平衡方法。为了进行公平比较，上述四个预测模型并行实施和评估，以证明新提出的SOSFFNN模型的优越性能。通过计算均方根误差（RMSE）、平均绝对百分比误差（MAPE）和平均绝对偏差（MAD），对所提出预测技术的预测精度进行评估。实际上，这种评估代表了每个模型拥有多少财务价值，因为这种绩效是通过盈利能力、一致性和稳健性来衡量的[9]。综上所述，本文的主要技术贡献如下：  设计和实现一个新的SOS训练FFNN模型，用于预测各种股票市场的开盘和收盘股票价格。  将SOS、GA和SOS算法合并到FFNN预测模型中，以优化FFNN增强性能的权重和偏差。

  使用RMSE、MAPE等统计指标，包括盈利能力、一致性和稳健性等其他绩效指标，对五个市场上的SOSFFNN、PSOFFNN、GAFFNN和ARIMA预测模型进行绩效分析。本文的其余部分组织如下：第2节介绍了相关工作，包括使用FFNNs和其他混合模型来执行股市预测任务。第3节讨论了具有代表性的元启发式算法方法及其杂交实现技术。第4节介绍了使用最新时间序列数据集的实验结果。最后，第5节给出了结束语。2、相关工作最近，人工智能和机器学习技术的应用，如人工神经网络和支持向量机（SVM）已被用于海峡时间指数（STI）的预测。一些出版物侧重于投资组合优化，即在有限的资本和有限的可用股票集合的情况下，选择合适的股票进行投资的行为[10,11]。此类投资组合优化是使用机器学习技术优化投资回报的重点。然而，这项研究的重点不同。，。如前所述，当前的研究特别涉及使用全局优化元启发式算法优化ANN的训练和学习性能的想法。在本节中，简要回顾并讨论了现有的相关研究，以展示支持拟议预测方法的想法。研究了多种预测股票价格的方法[9]，使用了从雅虎财经（Yahoo Finance）获得的五家不同公司的股票价格。

调查的四种不同预测方法是ARIMA模型、ANNs、Holt-Winters（季节性时间序列数据的统计预测方法）和时间序列线性模型（TSLM）。结果发现，霍尔特-温特斯方法的总体预测精度最佳【9】。在【12】中，提出了SOS算法。将使用SOS训练FFNN的计算结果与使用其他元启发式搜索算法（如文化搜索（CS）、遗传算法（GA）、粒子群优化（PSO）、均值方差优化（MVO）、重力搜索算法（GSA）和基于生物地理学的优化（BBO）训练FFNN的类似结果进行比较。结果表明，SOS对FFNN的培训最适合手头的任务【12】。在【13】中进行的研究使用了粒子群优化算法和反向传播算法来训练FFNN进行时间序列预测。使用了四种类型的时间序列数据；具体而言，对于太阳黑子（一段时间内观测到的太阳黑子数量）、汇率（美元兑印度卢比汇率）、地震（一段时间内的地震记录读数）和航空公司使用情况（航空公司乘客数量）。将获得的结果与用于预测时间序列数据的其他方法的结果进行比较，例如仅使用PSO训练的FFNN、经过反向传播训练的ANN和Box-Jenkins模型（这是用于预测时间序列数据的基于统计的模型）。该研究的实验表明，仅PSO模型明显优于仅反向传播模型，混合方法（PSO和反向传播）优于Box-Jenkins模型[13]。

【14】中提出的FFNNs变量用于股票市场数据（SBI共同基金的NAV）预测和评估三种不同方法在训练期间调整网络权重的性能：弹性反向传播法、Levenberg-Marquardt（也称为贝叶斯正则化）法和标度共轭梯度法。据观察，与其他训练方法相比，贝叶斯正则化方法最能概括给定数据【14】。[15]中的研究使用PSO算法优化人工神经网络的权重，该网络用于预测海峡时报指数（STI）时间序列数据的汇率。所获得的结果是非常有希望和有趣的。因此，基于上述相关文献中确定的差距，当前研究试图复制[15]中提出的早期建议，其中PSO算法用于训练神经网络。Pillay和Ezugwu【32】提出了一种基于FFNN的混合股价预测模型的实现，该模型结合了FFNN和SOS算法。在[32]中，标准SOS算法用于优化基于FFNN的模型的权重向量。混合模型的数值结果表明，SOS算法具有一些诱人的潜力，可以进一步扩展并成功用于优化FFNN的训练和学习速度。因此，基于SOS在训练FFNN中的应用，以及[32]中记录的其优越的预测性能精度，本研究考虑了上述提议的可能扩展，主要目标是建立一个更加稳健和高效的股价预测模型。