基于基因表达式编程的股票指数时间序列分析.pdfVIP

( ) 2005 年 10 月 四川大学学报 自然科学版 Oct . 2005 第 42 卷第 5 期 Journal of Sichuan University (Natural Science Edition) Vol. 42 No. 5 文章编号 (2005) 基于基因表达式编程的股票指数时间序列分析 1 1 1 ,2 1 1 廖　勇 , 唐常杰 , 元昌安 , 陈安龙 , 段　磊 ( 1. 四川大学计算机学院 ,成都 610064 ;2. 广西师范学院信息技术系 ,南宁 530001) ( ) 摘要 : 基因表达式编程 GEP 是遗传算法研究的新分支. 针对股票对象的特点 ,提出了适应股 票规律的 GEPSTOCK 模型 ,包括 n 时段STOCKGEN E ,STOCKfitness 以及 STOCKGEP 算法 ,并以上海证券交易指数时间序列数据为对象做了实验. 进行了误差和指数涨跌分析. 实验结果表明 GEPSTOCK 模型预测精度较高 ,20d 的平均绝对误差为 11. 08 ,平均相对误差 为 0. 64 %. 从涨跌情况预测来看 ,模型对 6d 后指数的涨跌判断 ,正确率高于 80 %以上. 关键词 :数据挖掘 ;基因表达式编程 ;时间序列 ;股票数据 中图分类号: TP311 　　　文献标识码 :A 1 　引言 　　数据预测在金融投资领域占有重要地位 ,而股票价格是金融数据中最复杂的数据类型之一. 经济学 家一直致力于研究股票市场价格的变化 ,希望能从中找出一些规律 ,避免诸如大的股市波动 ,从而保持经 济繁荣稳定. 股票市场是一个复杂的非线性动力系统 , 同时受多种因素的交互影响 ,对于股票未来价格的 精确预测是非常困难的. 股市预测被认为是当前时间序列预测中最富挑战性的应用之一 ,受到数据挖掘 界的广泛关注[1 ] . 股票价格涨跌数据是一种时间序列数据 ,它既具有一定的趋势性又具有较大随机性. 自19 世纪股票市场建立以来 ,股票价格预测模型就成为各国学者研究的焦点. 在时间序列预测中 ,线形 的概率统计模型曾得到广泛的应用 ,如 :ARMA 模型法、AR 模型法、阈值自回归、多项式自回归、指数自回 归模型等 ,后来还有灰色预测、混沌时间序列预测等方法. 近年来 ,神经网络方法成为最热点的研究之一 , 但随着人工神经网络研究的深入 ,人们认识到它存在的严重不足 ,在原理上缺乏实质性的突破 , 同时也缺 乏理论依据[2 ,3 ] . 基因表达式编程 GEP ( Gene Expression Pro gramming) 是遗传计算家族的新成员 ,具有极强的函数发 现能力和很高的效率[4 ] . 文[5～8 ] 中 ,对 GEP 算法在效率上进行了改进 ,并应用改进的算法对太阳黑子 ( ( 数据进行时间序列分析 ,通过把预测结果与传统的 5 种时间序列分析方法 TAR , 叠合 带趋势、不带趋 ) ) 势 ,ARMA ,AR 进行比较 ,可以看出 GEP 预测结果的平均绝对误差和最大绝对误差均为最小. 我们针对股票对象的特点 ,提出了适应股票规律的 GEPSTOCK 模型 ,包括 n 时段STOCKGEN E , STOCKfitness 以及 STOCKGEP 算法 ,