基于DFS―BPSO―SVM股票趋势预测方法.docVIP

基于DFS―BPSO―SVM股票趋势预测方法 　　摘要：技术指标广泛应用于股票市场的预测分析，不同特征组合对预测效果产生不同影响。为了提高股票趋势预测的准确度，提出一种两层特征选取及预测方法。第一层特征选取以特征子集区分度衡量准则――DFS为评价标准，第二层特征选取以分类器分类效果为评价准则，两层特征选取均采用二进制粒子群（BPSO）算法对特征空间进行搜索。通过第一层特征选取可以高效剔除部分非预测相关特征，在保留预测特征集信息的基础上缩小特征集规模；第二层特征选取可以准确选择出具有较好预测效果的特征子集。实验数据为2015～2016年上海证券综合指数，结果表明，DFS-BPSO-SVM预测模型相比于其它4种特征选取及预测模型，具有更好的预测效果。 　　关键词：二进制粒子群算法；支持向量机；两层特征选取；特征子集区分度衡量准则；股票趋势预测 　　DOIDOI：10.11907/rjdk.171931 　　中图分类号：TP319 　　文献标识码：A 文章编号：1672-7800（2017）012-0147-05 　　Abstract：Technical indicator was widely used in stock predicting. Different combination of indicator have an effect on predicting performance. In order to improve stock price trend predicting performance， this study proposes a new predicting model that is Binary Particle Swarm Optimization combined with Support Vector Machine and DFS criterion （DFS-BPSO-SVM） predicting model. It’s a two step feature selection predicting model. In first step， DFS criterion is used for feature selection and we got suboptimal feature subset. After this process， redundant features have been removed and the scale of the feature set becomes smaller. In second step， BPSO-SVM is used for feature selection on suboptimal feature subset and we got best feature subset which leads to best stock trend predicting performance. Based on best feature subset， sample set is constructed for stock trend predicting. In this study， the target is to predict 2015-2016 Shanghai securities composite index daily movement. The experiment results indicate that DFS-BPSO-SVM predicting model have a better performance on stock price and index daily movement than another 4 predicting model. 　　Key Words：binary particle swarm optimization； support vector machine； two step feature selection； DFS； stock trend predicting 　　0 引言 　　自从股票诞生之日起，关于股票价格预测的尝试与研究从未停歇。每一位股票交易者都希望自己能够准确预测未来股票的价格，从而获得超额收益。然而，股票市场具有复杂非线性、非平稳、高噪声等特性[1]，股票预测一直以来都充满了困难和挑战。 　　随着机器学习技术的诞生与发展，越来越多机器学习方法应用于股票趋势预测研究，基于人工神经网络（ANN）[1，3]、支持向量机（SVM）[4]的智能预测方法相比于传统预测方法普遍具有较好的预测效果。不少改进算法也相继应用于股票趋势预测，