基于多元时间序列分类的股票涨跌趋势预测研究.pdfVIP

哈尔滨工业大学应用统计硕士专业学位论文

摘要

股票数据是一种具有高度时间序列性质的数据，这种数据的主要特点是在

一定时间内，其价格和各种指标都在不断发生变化。由于股票市场的不确定性

和复杂性，股票价格变化具有高度的随机性和非线性特征，这为股票涨跌的预

测带来了很大的挑战性。机器学习方法可以更好地处理非线性特征和复杂关系，

并能够从大规模数据中学习到更加准确的特征表示，提高预测的准确性。常规

的机器学习方法在处理时间序列数据时，会将每一个时间点视为一个单独的样

本，而忽略了数据中时间顺序信息，本文将基于时间序列分类方法对股票的涨

跌进行分类预测。

首先，选取沪深300,中证500以及中证指数公司所划分的11个一级行业

对应的行业板块指数，这13个股票指数数据作为实验数据。使用类原型方法

进行变量选择后使用随机卷积核(Rocket)方法进行分类，以15天为时间窗口长

度，预测下一天的股票涨跌。

其次，采用MAD方法计算类原型，对计算后的类原型使用DTW距离计算

距离矩阵，并使用肘类对(ECP)方法进行变量选择，将变量选择后的数据输入

Rocket方法，提取时间序列特征，并将提取后的特征输入岭回归分类器，获得

了最佳的预测效果，并且减少了运行时间。这些结果表明，该方法可以有效地

预测股票的涨跌情况，具有较高的准确率和较低的运行时间。

最后，使用本文所建立的时间序列分类模型预测股票涨跌，根据预测结果

构建相应的量化交易策略，在历史数据上进行回测。与一直持有股票的基准策

略相比，基于时间序列分类的股票涨跌模型构建的量化交易策略，在预测下跌

趋势方面表现出色，实现了较高的收益率和较小的回测率。结果表明，该模型

能够为投资者在股票市场中的投资决策提供一定的建议，帮助他们更好地管理

资产。

关键词：股票涨跌预测；时间序列分类；时间序列变量选择；量化交易

-I-

哈尔滨工业大学应用统计硕士专业学位论文

Abstract

Stockdataisatypeofdatathathasahighdegreeoftimeseriesproperties.Themain

characteristicofthistypeofdataisthatwithinacertainperiodoftime,itspriceandvari-

ousindicatorsareconstantlychanging.Duetotheuncertaintyandcomplexityofthestock

market,stockpricechangeshaveahighdegreeofrandomnessandnon-linearity,which

posesgreatchallengesforpredictingstockrisesandfalls.Machinelearningmethodscan

betterhandlenon-linearfeaturesandcomplexrelationships,andcanlearnmoreaccurate

featurerepresentationsfromlarge-scaledatatoimprovepredictionaccuracy.Conven-

tionalmachinelearningmethodstreateachtimepointasaseparatesamplewhenprocess-

ingtimeseriesdata,ignoringthetimeorderinformationinthedata.Thisarticlewilluse

timeseriesclassificationmethodstopredicttheriseandfallofstocks.

Firstly,selects13stockindexdata,includingtheCSI300,CSI500,theindustry

sectorindicescorrespondingtothe11primaryindustriesdividedbyt