下載本文檔
版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
實(shí)用文檔金融時(shí)間序列數(shù)據(jù)預(yù)測方法探析本文提出了一種改進(jìn)的金融時(shí)間序列數(shù)據(jù)預(yù)測方法,該方法首先對采集到的數(shù)據(jù)進(jìn)行預(yù)處理,然后利用決策樹來對金融時(shí)間序列進(jìn)行特征抽取,并建立基于支持向量機(jī)的時(shí)間序列預(yù)測模型,最后對時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)測并輸出預(yù)測結(jié)果。仿真結(jié)果表明,本文提出的方法可以有效地降低預(yù)測模型復(fù)雜度,同時(shí)提高預(yù)測能力和泛化性能。關(guān)鍵詞:金融時(shí)間序列決策樹支持向量機(jī)預(yù)測金融時(shí)間序列是指在金融市場(如股票市場、外匯市場等)上金融產(chǎn)品的價(jià)格按時(shí)間順序而得到的一列價(jià)格數(shù)據(jù),它是金融市場分析的基礎(chǔ)。本文研究的對象是證券指數(shù)中的價(jià)格數(shù)據(jù)與交易數(shù)據(jù),研究的任務(wù)是要從這些數(shù)據(jù)中提取有用信息,將這些信息轉(zhuǎn)化為知識或規(guī)律,并最終有利于人們當(dāng)前和未來的生產(chǎn)和生活實(shí)踐。相關(guān)文獻(xiàn)綜述金融時(shí)間序列預(yù)測方法的研究是目前的熱點(diǎn)問題,例如,熊正豐(2002)討論了金融時(shí)間序列的性質(zhì),通過實(shí)際數(shù)據(jù)說明,金融時(shí)間序列具有兩個(gè)重要特性。統(tǒng)計(jì)自相似性和非平穩(wěn)性/利用正交小波變換的方法,給出了其分形維的估計(jì)方法。最后,實(shí)證分析了國內(nèi)金融市場,并分別得出了上證綜合指數(shù)序列過程和深證成分指數(shù)序列過程的分形維。辛治遠(yuǎn)等(2008)提出了一種基于最小二乘支持向量機(jī)的復(fù)雜金融數(shù)據(jù)時(shí)間序列預(yù)測方法。實(shí)驗(yàn)中以證券指數(shù)為實(shí)驗(yàn)數(shù)據(jù),對大批量金融數(shù)據(jù)進(jìn)行了時(shí)間序列預(yù)測,相比于神經(jīng)網(wǎng)絡(luò)預(yù)測方法,該方法在大批量金融數(shù)據(jù)時(shí)間序列預(yù)測的訓(xùn)練時(shí)間、訓(xùn)練次數(shù)和預(yù)測誤差上都有了明顯提高,對復(fù)雜金融時(shí)問序列具有較好的預(yù)測效果。黃超(2005)針對金融時(shí)間序列的趨勢性和趨勢變動性,提出了基于回歸系數(shù)的時(shí)間序列維約簡方法—逐段回歸近似(PRA),該方法具有線性時(shí)間復(fù)雜度,并且對均值平穩(wěn)的獨(dú)立噪聲干擾不敏感。同時(shí)證明了使用PRA方法進(jìn)行相似性查找滿足下界定理(也稱為收縮性),因而是有效的。對實(shí)際數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明,使用PRA方法,可以對金融時(shí)間序列進(jìn)行基于趨勢與趨勢變動的相似性查找。李斌(2001)對金融事件序列數(shù)據(jù)挖掘的關(guān)鍵算法進(jìn)行了研究,針對多個(gè)時(shí)間序列之間數(shù)據(jù)不同步的問題,提出了非同步多時(shí)間序列中頻繁結(jié)構(gòu)模式的發(fā)現(xiàn)算法,結(jié)合本文提出的時(shí)間序列符號化轉(zhuǎn)換方法,實(shí)現(xiàn)了多個(gè)金融時(shí)間序列中頻繁結(jié)構(gòu)模式的發(fā)掘。然而,上述的金融時(shí)間序列預(yù)測方法還存在一定的不足,隨著測試數(shù)據(jù)集的不同,方法的有效性以及準(zhǔn)確度等都會有迥異的實(shí)驗(yàn)結(jié)果,甚至有些預(yù)測方法針對某些數(shù)據(jù)集根本無法使用。本文提出了一種改進(jìn)的金融時(shí)間序列數(shù)據(jù)預(yù)測方法。經(jīng)過分析與實(shí)驗(yàn)結(jié)果表明,本文提出的方法是有效的。金融時(shí)間序列數(shù)據(jù)的特征提?。ㄒ唬Q策樹的構(gòu)造由于本文考慮的金融時(shí)間序列數(shù)據(jù)(如股票、證劵指數(shù))所包含的屬性屬于離散屬性,所以采用ID3來構(gòu)建決策樹。構(gòu)造過程如下:第一步是將數(shù)據(jù)分為訓(xùn)練集和測試集。訓(xùn)練集主要用于分析數(shù)據(jù)生成決策樹,測試集用于測試決策樹的正確性。第二步是計(jì)算所有屬性的信息增量,選擇信息增量最大的屬性為根節(jié)點(diǎn)。具體計(jì)算屬性信息增量的步驟如下:1.計(jì)算給定的訓(xùn)練集分類數(shù)據(jù)的信息期望值I。用D表示訓(xùn)練集,分為k類,也即k個(gè)子集:D1,D2,D3…Dk。d:訓(xùn)練集中數(shù)據(jù)的總數(shù)量;di:屬于Di的數(shù)據(jù)數(shù)量。那么實(shí)例屬于第i類的概率為:。訓(xùn)練集分類的信息期望I:2.計(jì)算屬性Ai每個(gè)取值的信息期望I(A=aj),j=1,2,3…m。設(shè)A為數(shù)據(jù)集的某一屬性,A的取值為a1,a2,…am。am代表一個(gè)數(shù)值。dj:aj包含的數(shù)值的數(shù)量;dij:當(dāng)A=aj時(shí),對應(yīng)的屬于子集Di的數(shù)量。實(shí)例屬于第i類(Di)的條件概率:3.計(jì)算屬性A的信息熵Entropy(A)。(4)其中:4.計(jì)算屬性A的信息增益Gain(A)。屬性A對于分類提供的信息量,叫做屬性A的信息增益,記為Gain(A),則:Gain(A)=Entropy(A)-I(5)第三步根據(jù)信息增益構(gòu)建決策樹。選擇信息增益最大的作為根節(jié)點(diǎn)來構(gòu)建決策樹。由根節(jié)點(diǎn)屬性在不同條件下建立分支;第四步采用遞歸的方法,對各分支的子集依舊選擇信息增益最大的屬性作為子節(jié)點(diǎn)。(二)基于ID3算法的金融時(shí)間序列數(shù)據(jù)的信息增益計(jì)算第一步以“上證指數(shù)”為例選擇2008年4月30日前500個(gè)交易日的開盤、最高、最低、收盤、成交額和成交量屬性數(shù)列作為訓(xùn)練集。第二步計(jì)算屬性的信息增量。1.計(jì)算訓(xùn)練集分類數(shù)據(jù)的信息期望值I。用D表示訓(xùn)練集,分為6類,即6個(gè)子集:D1,D2,D3,D4,D5,D6,設(shè)a表示一天內(nèi)收盤價(jià)相對于開盤價(jià)的漲幅,D1表示a<-100,D2表示-100≤a<-50,D3表示-50≤a<0,D4表示0≤a<50,D5表示50≤a<100,D6表示100≤a。訓(xùn)練集中的數(shù)據(jù)總數(shù)量為500,即d=500,d1=42,d2=31,d3=125,d4=197,d5=69,d6=36。則:由公式(1)得知,訓(xùn)練集分類的信息期望I,即:2.計(jì)算屬性的每個(gè)取值的信息期望I(A=aj)。在此,屬性“開盤價(jià)”、“最高價(jià)”、“最低價(jià)”、“收盤價(jià)”、“成交量”、“成交額”和“漲幅”分別用A1,A2,A3,A4,A5,A6表示,以“開盤價(jià)”A1為例來求解。在計(jì)算之前,因?yàn)锳1的所有取值是不同的,所以要定義數(shù)值區(qū)間。根據(jù)Excel圖表中的數(shù)值,定義區(qū)間(0,2000)、[2000,3000)、[3000,4000)、[4000,5000)、[5000,∞),分別用a1,a2,a3,a4,a5表示,則da1=149,da2=75,da3=94,da4=93,da5=89(dai表示區(qū)間ai包含的數(shù)據(jù)數(shù)量)。用daj,i表示屬于區(qū)間aj,同時(shí)屬于Di的數(shù)據(jù)量(其中i=1,2…6,j=1,2…5),則:實(shí)例屬于第i類(Di)的條件概率為:,即:由公式(2)可知:3.計(jì)算屬性A1的信息熵。由公式(3)可知:其中:,即P1=0.298,P2=0.15,P3=0.188,P4=0.186,P5=0.178。4.計(jì)算屬性A1的信息增益Gain(A1)。由公式(4)可知:Gain(A1)=IEntropy(A)-II=0.448同樣,采用此方法,對“最高價(jià)”、“最低價(jià)”、“收盤價(jià)”求解信息增益時(shí),采用區(qū)間(0,2000)、[2000,3000)、[3000,4000)、[4000,5000)、[5000,∞)對其進(jìn)行區(qū)間分割,在對成交額進(jìn)行區(qū)間分割時(shí),采用區(qū)間(0,3×107)、[3×107,5×107)、[5×107,7×107)、[7×107,10×107)、[10×107,∞),成交量分別采用區(qū)間(0,4×106)、[4×106,6×106)、[6×106,8×106)、[8×106,10×106)、[10×106,∞),可以求出其它屬性的信息增益,如表1所示。第三步根據(jù)信息增益構(gòu)建決策樹。第四步采用遞歸的方法,對各分支的子集選擇信息增益最大的屬性作為子節(jié)點(diǎn)。(三)基于決策樹信息增益的特征抽取綜上,ID3算法是把信息增益作為選擇測試屬性的標(biāo)準(zhǔn),即樹結(jié)點(diǎn)的選擇策略。根據(jù)“上證指數(shù)”開盤、最高、最低、收盤、成交額和成交量屬性的信息增益得知,由于最低價(jià)和最高價(jià)的優(yōu)先級最低,對模型貢獻(xiàn)度最小,可以刪除該兩項(xiàng)屬性,即通過決策樹抽取的特征為開盤、收盤、成交額和成交量?;谔卣鞒槿『蟮腟VM回歸實(shí)證分析(一)訓(xùn)練數(shù)據(jù)及評價(jià)標(biāo)準(zhǔn)1.樣本數(shù)據(jù)的選取。樣本數(shù)據(jù)采用2006年9月1日到2007年8月30日共243個(gè)交易日的數(shù)據(jù),其中前200個(gè)交易日作為訓(xùn)練樣本,后43個(gè)交易日作為測試樣本(見表2)。其中,特征未抽取的輸入向量為開盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)、成交量、成交額六個(gè)特征指標(biāo),輸出為下一日收盤價(jià)。特征抽取后的輸入向量為開盤價(jià)、收盤價(jià)、成交量、成交額四個(gè)特征指標(biāo)(最高價(jià)、最低價(jià)在特征抽取時(shí)被舍棄),輸出為下一日收盤價(jià)。為提高預(yù)測的精確度,樣本數(shù)據(jù)按照進(jìn)行[0,1]范圍內(nèi)歸一,輸出結(jié)果在反歸一后與真實(shí)結(jié)果進(jìn)行比較。2.性能評價(jià)。評價(jià)標(biāo)準(zhǔn)可表示為:(6)其中,NMSE為正則化標(biāo)準(zhǔn)差,MAE為平均絕對誤差。ai為實(shí)際值,pi為預(yù)測值,a為實(shí)際的平均值。(二)核函數(shù)、不敏感損失函數(shù)及相應(yīng)參數(shù)的選擇為提高精度,各參數(shù)均采用經(jīng)驗(yàn)值,采用網(wǎng)格搜索或線性搜索等方法取得更優(yōu)值。根據(jù)已有研究,對于高斯徑向核函數(shù),其中σ=10,對于多項(xiàng)式核函數(shù),其中,c=1,d=1。(三)實(shí)驗(yàn)結(jié)果分析實(shí)驗(yàn)結(jié)果表明:通過決策樹信息增益抽取特征,降低了輸入空間維度,即降低了支持向量機(jī)模型的復(fù)雜性。比較正則化均方差和平均絕對誤差發(fā)現(xiàn),特征抽取后的支持向量機(jī)預(yù)測性能均有較明顯的提高,而且支持向量的個(gè)數(shù)幾乎沒有增加(見表3、表4)。綜上所述,本文研究了一種改進(jìn)的金融時(shí)間序列數(shù)據(jù)預(yù)測方法,首先對采集到的數(shù)據(jù)進(jìn)行預(yù)處理,然后利用決策樹來對金融時(shí)間序列進(jìn)行特征抽取,并建立基于支持向量機(jī)的時(shí)間序列預(yù)測模型,最后對時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)測并輸出預(yù)測結(jié)果。本文提出的方法可有效地降低預(yù)測模型復(fù)雜度,提高預(yù)測能力和泛化性能。對時(shí)間序列數(shù)據(jù)進(jìn)行基于決策樹的特征抽取后的支持
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- GB/T 4706.124-2024家用和類似用途電器的安全第124部分:商用真空包裝器具的特殊要求
- GB/T 44783-2024大口徑空間天文望遠(yuǎn)鏡光學(xué)成像質(zhì)量地面評價(jià)方法
- 圖案形態(tài)課件教學(xué)課件
- 第二章 相互作用-力的合成與分解 2025年高考物理基礎(chǔ)專項(xiàng)復(fù)習(xí)
- 5.2 課時(shí)2 共價(jià)鍵 分子間作用力 課件 高一上學(xué)期化學(xué)蘇教版(2019)必修第一冊
- 3.3鹽類的水解 第一課時(shí) 課件高二上學(xué)期化學(xué)人教版(2019)選擇性必修1
- 糖尿病與感染綜合管理
- 糖尿病足換藥技術(shù)
- 醫(yī)藥總監(jiān)年度規(guī)劃
- 白血病病人的護(hù)理講課
- 2024至2030年中國大型鑄鍛件行業(yè)市場深度研究及投資規(guī)劃建議報(bào)告
- 07J901-1實(shí)驗(yàn)室建筑設(shè)備(一)
- 異地就醫(yī)備案的個(gè)人承諾書
- YDT 4470-2023電信網(wǎng)絡(luò)的確定性IP網(wǎng)絡(luò) 控制面技術(shù)要求
- 基于創(chuàng)客教育理念的幼兒機(jī)器人課程的開發(fā)與實(shí)踐研究
- 化糞池清理及管道疏通承包合同
- 中國員工派遣國外勞務(wù)合同
- 工廠冷庫儲存應(yīng)急預(yù)案方案及流程
- 2024年湖北省十堰市荊楚初中聯(lián)盟八年級中考模擬預(yù)測生物試題
- 資源教室檢查方案
- 2024年春上海開放大學(xué)《危機(jī)公共關(guān)系》計(jì)分作業(yè)1-3
評論
0/150
提交評論