基于MPA-ELM的股票价格预测模型研究.pdf

针对极限学习机()学习速率慢、易陷入局部最优且泛化能力不强等问题提出一种基于海洋捕食者算法()和极限学习机()的组合预测模型 利用海洋捕食者算法对 的关键参数进行优化降低人为因素的干扰建立具有较高准确率的 股票价格预测模型 将该模型与、等模型的预测结果进行比较结果证明提出的 预测模型准确率更高且收敛速度更快关键词 海洋捕食者算法极限学习机参数优化股票预测中图分类号.文献标识码 文章编号()一、研究背景 由于股票交易市场存在巨大的潜在利润空间人们尝试寻找准确预测股票价格变化趋势的方法和投资策略以从股票市场获得最大收益 准确预测未来股市的走向不仅有利于单个投资者从初始资本中获得回报还能为企业未来的业务调整提供适当的信号 此外准确的股市预测也有助于政府研究即将到来的经济形势并为任何可能的经济衰退做好更充分的准备 早期学者们针对股票价格预测问题主要使用线性模型对股票价格进行预测如多元线性回归模型、自回归滑动平均模型()和指数平滑法()等但影响股票价格波动的因素较为复杂使用单一的数学模型进行预测很难得到较高的准确率近年来许多学者开始深入研究金融建模和优化算法的改进问题 刘睿智等提出基于自适应套索的人工神经网络()和 的组合研究股票指数收益率 等提出一种多输出支持向量机无限制混合数据采样方法()研究股票价格预测的多输出和混合频率问题曹柯提出相关向量机()和 预测股指期货价格的方法上述文献中的方法虽取得的预测效果较好但模型多采用传统的机器学习方法导致训练过程中产生诸多问题如 存在计算量大、过度拟合等缺陷 对大样本的处理时间过长 的训练时间会随着样本容量的增大而逐渐增加等为解决上述问题 等人提出了极限学习机()它克服了其他神经网络步骤较复杂、学习速度缓慢的不足使机器学习的效率和泛化能力得到改善被广泛应用于疾病诊断、电池剩余寿命检测和煤电需求预测研究等海洋捕食者算法()是由 等人于 年提出的一种新的启发式智能算法该算法主要模拟的是海洋中捕食者和猎物在不同速度比下的运动行为 海洋捕食者算法和粒子群算法等其他智能算法相比它的全局搜索能力强并且容易实现 现如今该算法已成功用于预测 的病例数、武器 目标分配问题研究等方面 目前 算法还尚未被应用到股票预测问题中针对文献中存在的不足本文提出一种海洋捕食者算法与极限学习机相结合的方法首先通过 对归一化后的数据进行训练其次利用 对 的关键参数进行优化最后建立 组合预测模型 通过整理分析深证成指的交易数据运用 模型对股票收盘价格进行预测并与、等模型的预测结果进行对比研究结果表明 模型相比于其他模型预测结果更加精确 二、基本方法 (一)极限学习机典型的 框架如图 所示包括 个输入层节点 个隐含层节点 个输出层节点假设有 个样本数据()代表输入层与隐含层间的连接权值表示隐含层和输出层之间的权值()表示隐含层神经元的激活函数为隐含层的阈值是输出值 的数学模型如式()所示:()()式()用矩阵表示为 表示隐含层输出矩阵具体见式()表示期望输出值 ()()()()()根据最小二乘法原理连接权重 的计算公式如式()所示 ()是 的 广义逆矩阵图 框架 (二)海洋捕食者算法海洋捕食者算法模拟了海洋中捕食者的觅食行为捕食者或者猎物通过在 飞行和布朗运动随机游走更新种群的位置 优化过程根据捕食者和猎物的不同速度比分为三个主要阶段同时设计鱼类聚集装置()以跳出局部最优最后用海洋记忆功能重新计算个体适应度并更新顶级捕食者 算法的基本实现步骤如下:第一步初始化 算法相关参数 第二步计算每一个个体的适应度并将最低的适应度值分配给顶级捕食者 第三步在迭代初期用公式()和()更新每个个体的位置()()()式中表示当前阶段的移动步长表示呈正态分布的布朗游走随机向量 为.为之间的均匀分布值表示逐项乘法运算值表示由顶级捕食者组成的精英矩阵第四步在迭代中期用公式()和()分别更新猎物和捕食者的位置()/()()/()式中表示莱维飞行运动随机向量表示影响捕食者移动步长的自适应参数 表示种群的数量第五步在迭代后期捕食者最佳策略是做 运动用式()式()更新个体位置()()()第六 步 采 用 涡 流 或 鱼 类 聚 集 效 应()降低算法的局部停滞率具体如式()所示()()()()式()中.为二进制数组和 分别表示边界的最大和最小取值取范围内的均匀随机数和 和表示在猎物种群中随机选取的两个猎物第七步计算每个个体的适应度值如果小于顶级捕食者的适应度值就将该适应度值赋值给顶级捕食者将相应的个体作为顶级捕食者所在的位置 第八步如果达到最大迭代次数输出顶级捕食者的位置和适应度值否则返回步骤 三、预测模型 (一)模型的建立本文以深证成指的交易数据为研究对象选择多组交易数据作为收盘价格的影响因素建立一个基于 的组合预测模型 首先考虑到各个因素的差异性对数据进行归一化处理并将其分为训练数据集和测试数据集两类 其次采用 算法优化 的主要参数其中 算法的适应度函数为 训练数据集的均方误差 最后将测试集输入到优化后的 模型中得到收盘价的预测结果 模型的流程图具体如图 所示具体的建模步骤如下:第一步输入深证成指交易数据并对数据进行归一化处理归一化处理公式如下:()()式中 为数据输入值 为该数据所属类别的最小值 为该数据所属类别的最大值 第二步将数据分为训练数据集和测试数据集 第三步初始化 参数捕食者的适应度函数为 训练数据集的均方误差 第四步计算每个个体的适应度值记录顶级捕食者的位置 第五步根据种群当前所在的阶段选用合适的公式更新个体位置 第六步计算每个个体的适应度值更新顶级捕食者的位置 第七步判断是否达到最大迭代次数如果满足条件则输出顶级捕食者如果不满足条件则重复第三至第六步 最后将测试数据集输入到 预测模型中并将顶级捕食者作为 预测模型的输入权值矩阵和隐含层阈值得到收盘价预测值通过反归一化得到最终收盘价预测值(二)模型的评价本文采用平均绝对误差()、平均绝对百分比误差()、均方根误差()和确定系数()作为股票预测效果的评价指标图 流程图、和 的计算公式如下:()()()()()()()()()式中 为样本容量表示第 个样本的实际收盘价表示第 个样本的收盘价预测值 表示实际收盘价的平均值表示预测收盘价的平均值 四、实证分析 (一)数据来源本文选取 年 月 日至 年 月 日深证成指的 条数据对 模型的性能进行评估具体数据通过网易财经平台获得 将开盘价()、最高价()、最低价()、成交量()和成交金额()个影响因子作为输入数据以收盘价格()作为输出数据其中前 条数据作为训练数据集后 条数据作为测试数据集其中深证成指的部分初始样本数据如表 所示初始样本进行归一化后的数据如表 所示(二)结果分析与比较表 部分样本数据编号.表 归一化后的部分样本数据(保留小数点后 位)编号.基于深证成指的原始数据分析 模型与未经过参数寻优的 模型的预测结果比较两模型的寻优效果 模型参数设置如下:隐含层节点数 输入神经元个数为 输出神经元个数为 隐含层的激活函数选用 函数 算法参数设置如下:种群数量为 最大迭代次数为 模型和 模型的预测结果分别如图、图 所示图 预测结果和原始数据对比图 预测结果和原始数据对比 由图 和图 可知经 优化的 模型预测结果和实际数据基本吻合相比于传统的 模型预测效果更优说明 算法中根据不同的速度比更新种群个体位置能有效避免算法陷入局部最优实现全局最优为了比较模型的预测效果将、模型与 模型的预测结果做横向对比在相同的数据集的情况下进行建模 的参数设置如下:.种群数量为 迭代次数为 次与 算法的种群数量与最大迭代次数与 算法设置相同 各模型适应度值的收敛效果如图 所示由图 可知与、模型图 各模型收敛曲线对比相比 模型的收敛速度最快且收敛精度最优表明该模型能够降低种群陷入局部桎梏的概率提高种群全局寻优的能力为了更直观地比较预测结果各模型的评价指标值如表 所示由表 可知 模型的 指标比 低.比 低.比 低.模 型 的 指标比未经过参数寻优的 模型低.相比、分别降低了.、.模型的 指标相比传统、和 模型分别减少了.、.、.综上可知 明显优于其他模型的求解结果具有更好的预测精度且该模型 的值为.比其他模型更接近于 说明 模型的拟合效果最佳表 各模型评价指标对比值模型.五、结论 为了提高股票价格预测的准确率本文提出了海洋捕食者算法和极限学习机相结合的 预测模型 在参数寻优过程中算法无论在求解速度还是求解精度上均展现出较强的优势 运用 算法对 的关键参数进行优化降低了人为因素影响的概率提高了模型的预测准确率 将 模型与、模型的预测效果进行对比结果表明 模型的寻优精度较高、拟合效果较好 参 考 文 献 .():.赵红蕊薛雷.基于 模型的股票预测研究.计算机工程与应用():.胡聿文.基于优化 模型的股票预测.计算机科学():.李金轩杜军平薛哲.基于多视角股票特征的股票预测研究.南京大学学报(自然科学版)():.杨易.基于机器学习算法模型的白酒股票预测研究.济南:山东大学.刘睿智周勇.指数跟踪投资组合与多信息下指数可预测性:基于 和 方法.系统工程():.:.曹柯.基于 和 的股指期货价格预测研究.武汉:武汉轻工大学.:.():.张杜娟王震.基于 的疾病诊断方法研究.国外电子测量技术():.赵沁峰蔡艳平王新军.基于 的锂离子电池剩余寿命间接预测.中国测试():.高恬牛东晓纪正森等.双碳目标下基于分解 集成的月度煤电需求预测研究.智慧电力():.:.():.:.张青曾庆华张宗宇等.基于海洋捕食者算法的武器 目标分配问题研究.兵器装备工程学报():.():()()().:责任编辑:陈宇涵