金融時間序列數(shù)據(jù)預測方法探析_第1頁
金融時間序列數(shù)據(jù)預測方法探析_第2頁
金融時間序列數(shù)據(jù)預測方法探析_第3頁
金融時間序列數(shù)據(jù)預測方法探析_第4頁
全文預覽已結束

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

實用文檔金融時間序列數(shù)據(jù)預測方法探析本文提出了一種改進的金融時間序列數(shù)據(jù)預測方法,該方法首先對采集到的數(shù)據(jù)進行預處理,然后利用決策樹來對金融時間序列進行特征抽取,并建立基于支持向量機的時間序列預測模型,最后對時間序列數(shù)據(jù)進行預測并輸出預測結果。仿真結果表明,本文提出的方法可以有效地降低預測模型復雜度,同時提高預測能力和泛化性能。關鍵詞:金融時間序列決策樹支持向量機預測金融時間序列是指在金融市場(如股票市場、外匯市場等)上金融產品的價格按時間順序而得到的一列價格數(shù)據(jù),它是金融市場分析的基礎。本文研究的對象是證券指數(shù)中的價格數(shù)據(jù)與交易數(shù)據(jù),研究的任務是要從這些數(shù)據(jù)中提取有用信息,將這些信息轉化為知識或規(guī)律,并最終有利于人們當前和未來的生產和生活實踐。相關文獻綜述金融時間序列預測方法的研究是目前的熱點問題,例如,熊正豐(2002)討論了金融時間序列的性質,通過實際數(shù)據(jù)說明,金融時間序列具有兩個重要特性。統(tǒng)計自相似性和非平穩(wěn)性/利用正交小波變換的方法,給出了其分形維的估計方法。最后,實證分析了國內金融市場,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。辛治遠等(2008)提出了一種基于最小二乘支持向量機的復雜金融數(shù)據(jù)時間序列預測方法。實驗中以證券指數(shù)為實驗數(shù)據(jù),對大批量金融數(shù)據(jù)進行了時間序列預測,相比于神經網絡預測方法,該方法在大批量金融數(shù)據(jù)時間序列預測的訓練時間、訓練次數(shù)和預測誤差上都有了明顯提高,對復雜金融時問序列具有較好的預測效果。黃超(2005)針對金融時間序列的趨勢性和趨勢變動性,提出了基于回歸系數(shù)的時間序列維約簡方法—逐段回歸近似(PRA),該方法具有線性時間復雜度,并且對均值平穩(wěn)的獨立噪聲干擾不敏感。同時證明了使用PRA方法進行相似性查找滿足下界定理(也稱為收縮性),因而是有效的。對實際數(shù)據(jù)的實驗結果表明,使用PRA方法,可以對金融時間序列進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)挖掘的關鍵算法進行了研究,針對多個時間序列之間數(shù)據(jù)不同步的問題,提出了非同步多時間序列中頻繁結構模式的發(fā)現(xiàn)算法,結合本文提出的時間序列符號化轉換方法,實現(xiàn)了多個金融時間序列中頻繁結構模式的發(fā)掘。然而,上述的金融時間序列預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確度等都會有迥異的實驗結果,甚至有些預測方法針對某些數(shù)據(jù)集根本無法使用。本文提出了一種改進的金融時間序列數(shù)據(jù)預測方法。經過分析與實驗結果表明,本文提出的方法是有效的。金融時間序列數(shù)據(jù)的特征提?。ㄒ唬Q策樹的構造由于本文考慮的金融時間序列數(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來構建決策樹。構造過程如下:第一步是將數(shù)據(jù)分為訓練集和測試集。訓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。具體計算屬性信息增量的步驟如下:1.計算給定的訓練集分類數(shù)據(jù)的信息期望值I。用D表示訓練集,分為k類,也即k個子集:D1,D2,D3…Dk。d:訓練集中數(shù)據(jù)的總數(shù)量;di:屬于Di的數(shù)據(jù)數(shù)量。那么實例屬于第i類的概率為:。訓練集分類的信息期望I:2.計算屬性Ai每個取值的信息期望I(A=aj),j=1,2,3…m。設A為數(shù)據(jù)集的某一屬性,A的取值為a1,a2,…am。am代表一個數(shù)值。dj:aj包含的數(shù)值的數(shù)量;dij:當A=aj時,對應的屬于子集Di的數(shù)量。實例屬于第i類(Di)的條件概率:3.計算屬性A的信息熵Entropy(A)。(4)其中:4.計算屬性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)信息增益構建決策樹。選擇信息增益最大的作為根節(jié)點來構建決策樹。由根節(jié)點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。(二)基于ID3算法的金融時間序列數(shù)據(jù)的信息增益計算第一步以“上證指數(shù)”為例選擇2008年4月30日前500個交易日的開盤、最高、最低、收盤、成交額和成交量屬性數(shù)列作為訓練集。第二步計算屬性的信息增量。1.計算訓練集分類數(shù)據(jù)的信息期望值I。用D表示訓練集,分為6類,即6個子集:D1,D2,D3,D4,D5,D6,設a表示一天內收盤價相對于開盤價的漲幅,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,訓練集分類的信息期望I,即:2.計算屬性的每個取值的信息期望I(A=aj)。在此,屬性“開盤價”、“最高價”、“最低價”、“收盤價”、“成交量”、“成交額”和“漲幅”分別用A1,A2,A3,A4,A5,A6表示,以“開盤價”A1為例來求解。在計算之前,因為A1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,同時屬于Di的數(shù)據(jù)量(其中i=1,2…6,j=1,2…5),則:實例屬于第i類(Di)的條件概率為:,即:由公式(2)可知:3.計算屬性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”、“最低價”、“收盤價”求解信息增益時,采用區(qū)間(0,2000)、[2000,3000)、[3000,4000)、[4000,5000)、[5000,∞)對其進行區(qū)間分割,在對成交額進行區(qū)間分割時,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。(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準,即樹結點的選擇策略。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,由于最低價和最高價的優(yōu)先級最低,對模型貢獻度最小,可以刪除該兩項屬性,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回歸實證分析(一)訓練數(shù)據(jù)及評價標準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個交易日的數(shù)據(jù),其中前200個交易日作為訓練樣本,后43個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、最高價、最低價、收盤價、成交量、成交額六個特征指標,輸出為下一日收盤價。特征抽取后的輸入向量為開盤價、收盤價、成交量、成交額四個特征指標(最高價、最低價在特征抽取時被舍棄),輸出為下一日收盤價。為提高預測的精確度,樣本數(shù)據(jù)按照進行[0,1]范圍內歸一,輸出結果在反歸一后與真實結果進行比較。2.性能評價。評價標準可表示為:(6)其中,NMSE為正則化標準差,MAE為平均絕對誤差。ai為實際值,pi為預測值,a為實際的平均值。(二)核函數(shù)、不敏感損失函數(shù)及相應參數(shù)的選擇為提高精度,各參數(shù)均采用經驗值,采用網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,對于多項式核函數(shù),其中,c=1,d=1。(三)實驗結果分析實驗結果表明: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模型的復雜性。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預測性能均有較明顯的提高,而且支持向量的個數(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的金融時間序列數(shù)據(jù)預測方法,首先對采集到的數(shù)據(jù)進行預處理,然后利用決策樹來對金融時間序列進行特征抽取,并建立基于支持向量機的時間序列預測模型,最后對時間序列數(shù)據(jù)進行預測并輸出預測結果。本文提出的方法可有效地降低預測模型復雜度,提高預測能力和泛化性能。對時間序列數(shù)據(jù)進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。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,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確性、安全性和完整性, 同時也不承擔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。

評論

0/150

提交評論