1. 主页 > 股票百科 > > 正文

[时间序列预测股票]基于混沌时间序列分析的股票

基于时间序列预测的股票交易决策建议系统 股票软件预测

在震荡盒中,若1.3交易边界模型股票价格接近于底部边界,则其有上涨的趋势。反之,若股票价格接近于顶部边界,则其有下降的趋势。通过机器学习来判别股票形势是否满足震荡盒理论的交易条[11-12]外,当股票的价格突破盒子的顶部或底部边界时,它将件。然而,这样的尝试面临着震荡盒的位置确定进入新的盒子并在其中开始新的震荡。在图1中展示的问题,即如何动态调整震荡盒的大小。如果使用大了典型的震荡盒的样例,交易者在股票价格处于一个小固定的震荡盒,则实际股票价格在所设置的震荡盒震荡盒中靠近盒子底部边界买入并在其靠近盒子顶部中的位置可能滞后于其实际所在震荡盒中的位置,这边界时售出,将获得丰厚的投资收益。然而,如何检测样会影响交易的时机。例如,如果设置震荡盒的宽度固定为30天,而实际股票在10天之后就已在一个新出股票价格是否接近盒子的边界并且是否不会突破边的更窄区间内震动(该区间包含在原震荡区间中),那界是需要丰富的实际经验的,

基于时间序列预测的股票交易决策建议系统 股票软件预测

当差异系数设置较小时,可以捕捉股票价格在较短时间较小振幅中的震荡。当差异系数设置较大时,反映的是股票价格在较长时间较大振幅中的震荡。值、对关键特征进行选择以及计算各个特征的灰色相关一个部分是数据预处理部分,其中包括提取数据特征度并对根据该值对特征进行加权处理;第二个部分是基于机器学习的股票价格时间序列预测部分,主要利用DBMK-ELM来学习股市历史数据的模式,并且对震荡盒在下一个时间阶段的上下边界进行预测;最后一个部分是交易策略部分,在上一部分预测值的基础上依据基于震荡盒模型的交易策略进行分析判断,最2股票交易决策建议系统2.1系统结构终做出交易决策。图2基于时间序列预测的股票交易决策建议系统结构图2.2数据预处理数据预处理作为本系统的第一个部分有着直观重要的作用,其目标是提取并选择合适的股市特征,进而对这些特征进行加权处理后以便在系统后续的基于机器学习的股票价格时间序列预测部分使用[13-14]。

基于时间序列预测的股票交易决策建议系统 股票软件预测

所以从股票时间序列中较早的数据中学到的模式用于时间序列的预测往往会带来很大的误差。因此选择合适的训练天数对于准确地预测股票价格时间序列来说尤为重要。在本实验中,将训练天数按照测试天数的1至5倍长度分别设置,测试在120天中系统在382只股票上的平均收益情况。实验结果如图7所示。实验结果显示,在训练天数为测试天数2倍即240天时系统获取的收益率最高。第4期蒋倩仪:基于时间序列预测的股票交易决策建议系统81图7机器学习训练天数与测试天数比例不同情况下股票交易决策建议系统平均年化收益率3.3.4误差控制参数设置检验如上文所述,基于机器学习的时间序列预测方法能较为准确地预测出时间序列的未来值。但是对于股票时间序列预测来说,由于受到诸多不确定因素的影响,误差是不可避免的,同时股票交易又对误差非常敏感。所以,如何有效减小预测误差对交易决策的不良影响也是十分关键的一个问题。本系统依据股票价格变化本身的规则来制定误差控制参数,

基于时间序列预测的股票交易决策建议系统 股票软件预测

下载的原始数据包括每只股票每一日的开盘价、最高价、最低价、收盘价、成交量、向后除权值等信息。3.2参数设置及性能测度在本实验中,模拟交易的初始资金设置为$$10000。在每一次买入交易中,使用所有可用资金买入股票。在每一次卖出交易中,售出所有持有股票换取资金。在最后一个模拟交易日,售出所有仍持有的股票换取资金。为了模拟真实的交易场景,每一次交易都会产生一笔佣金,本实验中的佣金设置与真实市场相同为0.3%。实验中交易边界的差异系数η设置为0.05,期望的收益参数设置为0.2,止损参数θ设置为0.1,交易风险控制参数设置为-0.05。在本系统中使用特征选择方法时所选取的特征数设置为200,使用DBMK-ELM时所使用的正则化参数设置为108。其余参数的设置是本实验中需要详细讨论和检验的部分,这些参数包括训练天数Dtraining,误差控制参数σ,所设置的值在后文中将详细给出。为了检验本系统的效果,

基于时间序列预测的股票交易决策建议系统 股票软件预测

股票的交易策略众多,考虑到在基于机器学习的股票价格时间序列的应用中交易策略主要用途之一是消除预测误差带来的影响,所以在此合适的交易策略应该是能够放松原来的预测问题使其对预测精度的要求减小。这种交易的策略中,该理论最基本的思想是股票价格在一段时间内将有一个确定的震荡区间,即在这段时间内它能达到的最大值和最小值之间震荡。而这一段震荡的时间和价格区间构成的广义空间称之为震荡盒。界模型,构建基于时间序列预测的股票交易决策建议系统。具体而言,首先通过股票市场的历史数据来训练DBMK-ELM,并使用其预测股票在后续交易日中的价格;接着,基于一套规则来监测股票价格预测的准确性以及是否突破了交易边界;最后,根据由交易边界模型制定出的交易策略来做出交易决策。1相关工作1.2灰色相关度Deng首次提出了灰色相关度GCD(GreyCorrela-)这一特征相关度计算方法[6-9]tionDegree。该方法在许多领域得到了大量的应用。

基于混沌时间序列分析的股票价格预测 股票软件预测

利用混沌理论对混沌时间序列的分析方法,提出了股票价格预测方法。同时利用重构相空间的嵌入维数和延迟时间分别确定经向基函数模型网络的结构和训练样本对,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,并与前馈神经网络模型相比,可得到较好的预测结果,因而在股票时间序列预测中有广泛的实用价值。ChengduUniversityofTechnologyChengdu610051;2。Schoolofappliedmathematics,UESTofChinaChengdu610054)AbstractAmethodofstockpricepredictionispresentedbyhypothesisofstockmarketbeingnon-lineardynamicsystemandanalyzingmethodofchaostheoryforchaostimeseriesinthispaper。Meanwhile,

本站资源来源于互联网,不代表站长个人立场,请理性看待文中观点,若有侵权,请第一时间联系我们进行删除!转载联系作者并注明出处:http://www.gafan.cn/gupiaobaike/60358.html