基于遗传支持矢量机的股市预测

［摘要］为了高效合理地确定支持矢量机（SVM）的参数，使其对目标有效分类，本文采用实值编码遗传算法来实现SVM模型参数的自动选择，使SVM模型具有更好的推广能力，将该模型用于上证指数的趋势预测和四川长虹股票预测，仿真结果表明：该遗传支持矢量机比神经网络具有更高的预测精度。［关键词］支持矢量机；实值遗传算法；模型选择；神经网络；股市预测0引言随着我国经济高速发展，股票市场作为金融市场的一部分，对我国经济的稳定发展起着举足轻重的作用。如果能够预测股票的涨跌，及时对股票市场进行合理的调控和健康的引导，这将为我国经济的持续发展提供支持。但众多 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 方法效果都难如人意［1］，其中有代表性的有基本分析法和技术分析法、波动特征的模型［2］、时间序列分析［3］、神经网络［4］、灰色理论与混沌理论［5］。支持矢量机（SVM）基于统计学习理论，它来源于最优超平面具有最好推广能力的 思想 教师资格思想品德鉴定表下载浅论红楼梦的主题思想员工思想动态调查问卷论语教育思想学生思想教育讲话稿 ，兼顾了训练误差和泛化能力，且在小样本学习及高维特征问题方面有独特的优势。模型核函数和参数的选择是SVM性能好坏的关键，遗传算法（GA）善于全局搜索得到最优解，本文引入GA进行模型选择。1股市预测指标体系的构建对股市未来趋势进行预测的基础是股市大量的历史数据，主要有每日的开盘价、最高价、最低价、收盘价、成交金额和成交量等。尽管这些数据简单易懂，但实验表明直接利用这些数据作为输入输出进行预测是困难的，原因是这些数据不直接反映股市的内在规律。人们在做股市分析时用到更多的是技术分析指标（TechnologyAnalysisIndex），单从这些数据本身来看股价的升降难寻规律，但经济学家认为，股市的变化看似漫无规则，实际上完全由供求关系决定，是有规律的。本文构建如表1、表2所示的指标体系。表1中ξ1，ξ2容易理解，简单介绍其他的指标。相对强弱指标（RSI）：K、D指标：又叫随机指数，其综合了动量的观念和强弱指标及移动平均线的优点，对中短期的市场行情反应敏感，是中短期股票技术分析的有力工具。要计算K、D值，首先需通过最近的一个特定的周期（常为12天）内出现的最高价、最低价以及当日的收盘价来计算这一天的未成熟随机值RSV，然后计算K、D值。当日K值=前一日K值×2/3当日RSV值×1/3；当日D值=前一日D值×2/3当日K值×1/3。乖离率（BIAS）：（当日收盘价/最近12日内移动平均收盘价-1）×100%。成交量：股票取当前成交量，指数取量比。量比为当前成交量与前5日平均成交量的比。年线：股票一年的平均收盘价格。相对强弱指数分析市场买卖双方的意向和实力，从而得出未来市场的走势；乖离率得出股价在剧烈波动时因偏离移动平均趋势而造成可能的回档或反弹；随机指数指标短期测市功能比移动平均线更准确有效，在市场短期超买超卖的预测方面比较敏感；成交量是反映股市“人气”的数据，量在价先，量变引起价变，成交量代表了多空双方实力的对比，是价格涨跌的动力。DIF表示的是快速移动平均线与慢速移动平均线之间的差离值，而DEA为若干天内DIF的平均值。DIF和DEA在零轴上下交叉离合运行，既反映了股价的波动情况，还预示了后市的变化趋势。2基于遗传算法的支持矢量机支持矢量机是从线性可分情况下的最优分类面发展而来的，基本思想可用两维情况说明。所谓最优分类线就是要求分类线不但能将两类样本正确分开（训练错误率为0），而且使分类间隔最大。利用Lagrange优化方法可以把问题转换为其对偶问题，即：3实值遗传SVM算法3.1算法步骤（1）编码：采用实值编码，确定高斯核函数e和模型的结构参数C，对模型参数θ=（C，a）进行编码，C范围为［1，10000］，a范围为（0，2）;（2）初始化种群：随机产生n个参数值矩阵构成初始种群，每个矩阵行向量代表一组待训练的SVM模型参数；（3）评价：对每个SVM学习训练，计算评价函数值，并保留最优个体；（4）遗传操作：依次进行选择、交换、变异、SVM学习训练，保留最优个体，并计算评价函数值。若误差达到指定的精度，则转（５），否则，转（４）；（5）根据C，a，建立SVM模型，求解二次规划问题，解得Lagrange系数，计算出b。（２）交换：在当代随机选择两个基因组，分别交换它们的一个数值，生成两子代个体。（３）变异：在当前代中随机选择参数组的一个基因，将其值以某种概率随机改变。4GA-SVM模型在股市预测中的应用为了便于与文献［7］中的结果进行比较，选取1998年6月26日至1999年1月12日，共140个沪市综合指数作为原始数据。预测未来一天大盘的涨跌情况，若某日大盘上涨则样本标记为1，若大盘下跌则标记为-1。80个样本作为训练样本，采用60个预测样本进行实验。选表1中12个技术指标，得到了模型的输入样本向量。种群规模为40，变异概率为0.1，交叉概率为0.6，优化得参数C=1000，a=1.60，SVM训练准确率达到87.5%，泛化能力达到71.67%。考虑黑马模式［8］，若某交易日个股涨幅超过5%，就可以看作是黑马。取四川长虹1996年1月2日至2001年12月28日共1442个交易日数据作为实验数据（数据均取自大智慧软件）。前500个样本作为训练样本集，后面942个样本作为预测样本集。SVM模型优化参数为C=989，a=1.08，SVM训练准确率达到96.6%，泛化能力达到95.44%。5结论本文提出采用实值遗传算法（RGA）实现SVM模型参数的自动选择方法，确保SVM具有最优的泛化性能；为了检验模型的预测效果，设计神经网络模型，用实值遗传算法实现参数的自动选择。沪市综合指数涨跌的预测神经网络模型设计5个隐层，训练准确率达到75%，泛化能力为58.3%；黑马模式预测神经网络模型设计4个隐层，训练准确率达到93.6%，泛化能力达到91.9%。通过比较可以看出，RGA-SVM模型比神经网络模型具有更好的预测精度，所以本文提出的模型是可行的，对我国即将开放的指数期货市场具有实际应用价值和重要的指导意义。主要参考文献［1］杨东升.经济分析中的预测方法评述［J］.预测，1998（1）.［2］BB，MandelbrotJWvanNess.FractionalBrownianMotion，FractionalNoisesandApplication［C］.SIAMReview，1968（10）：422-437.［3］周家.利用时间序列分析股票价格和会计盈利的动态关系［J］.天津财经学院学报，2004，24（2）：35-40.［4］许国辉，余春林.时间序列分析方法的研究［J］.广州大学学报：自然科学版，2003，2（6）：556-559.［5］PhilipatosGC.PilarnuE，MailliarisAG.ChaotieBehaviorinStockPriceofEuropeanStockMarkerts：AComparativeofMajorEconomicRegions［R］.WorkingPaper，UniversityofTenessee，1993.［6］Keerthi，SS.EfficientTuningofSVMhyperparametersUsingRadius/MarginBoundandIterativeAlgorithms［J］.IEEETransionNeuralNetworks，2002，13（5）：1225–1229.［7］TKimoto，KAsakawa，MYode，etal.StockMarketPredictionSystemwithModularNeuralNetworks［C］.ProceedingofInternationalJointConferenceonNeuralNetworks，SanDiego，CA，USA,1990：1-6.［8］张玉林，吴微.用BP神经网络捕捉股市黑马初探［J］.运筹与管理，2004，13（2）.“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文”