融合多种计算智能技术的股票价格时间序列预测建模研究

This project will establish a new hybrid forecasting model combined with a variety of computational intelligence technologies and hidden Markov model to predict the stock price time series. This project will put a few core methods of computational intelligence technologies: artificial neural network (ANN), genetic algorithm (GA), fuzzy logic (FL) and evolutionary algorithm (EA), stepwise progression into the basic forecasting model which is built based on hidden Markov model (HMM), to establish the perfect hybrid forecasting model, so as to further improve the prediction accuracy at the same time increase the prediction efficiency. This project will be devoted to solve the following scientific problems: (1) establish a new hybrid forecasting model to fill in the blank of present research, which lacks the hybrid prediction method combining a variety of technologies; (2) deal with the nonlinear and non-stationary of the stock price time series by computational intelligence technology, FL, to improve the prediction accuracy; (3) solve the problem of produce a large number of fuzzy rules when improve the prediction accuracy by computational intelligence technology, EA, and find the range of compromise solutions between the optimal number of fuzzy rules and the prediction accuracy. Finally, through the empirical and comparative study, test the new hybrid forecasting model.

本项目将建立新的融合了多种计算智能技术和隐马尔可夫模型的针对于股票价格时间序列的混合预测模型。通过将计算智能技术中的几个核心方法：人工神经网络ANN，遗传算法GA，模糊逻辑FL，和进化算法EA，逐层递进地加入到基于隐马尔可夫模型所构建的基础预测模型当中，从而改进和完善该预测模型，最终得到拥有较高预测精度并同时也拥有较高预测效率的混合预测模型。本项目将致力于解决以下科学问题：（1）建立新的针对于股票价格时间序列的混合预测模型，解决目前研究中缺少将多种技术混合的预测方法的问题；（2）通过引入计算智能技术中的FL方法，处理股票价格时间序列数据的非线性且非平稳性，提高混合预测模型的预测精度；（3）通过引入计算智能技术中的EA方法，解决混合预测模型在提高预测精度的同时产生大量模糊规则的问题，在最优模糊规则数目和预测准确性之间，找到折中解的范围。最后，通过实证和比较研究，对新混合模型进行检验。

本项目建立了融合多种计算智能技术和隐马尔可夫模型HMM的针对于股票价格时间序列的混合预测模型。通过将计算智能技术中的几个核心方法：人工神经网络ANN，遗传算法GA，模糊逻辑FL和进化算法EA，逐层递进地加入到基于HMM所构建的基础预测模型当中，从而改进和完善了该预测模型，最终得到拥有较高预测精度并同时也拥有较高预测效率的混合预测模型，并进行了为期两年的跟踪实验，确定了该混合预测模型的预测性能。本项目具体开展了以下研究：（1）提出了一种基于HMM的无监督聚类方法。该方法是运用HMM在数据集中识别相似的数据模式，对于给定的数据集，HMM被用来确定分类的数目，并计算每个数据模式的对数似然值，之后根据对数似然值的大小将其对应的数据模式分进不同的类里。为了检验该方法的聚类能力，将该方法与其它三种聚类方法进行了实证比较研究。（2）设计了针对股票价格时间序列的基础预测模型。从过去的数据集中找出与当前股票价格行为相匹配的模式，然后用适当的邻近价格元素插入这两个数据集中，并对下个时间单元的股票价格进行预测。以六只股票为实证研究对象，进行了实证研究，并与其它预测方法进行了比较。（3）运用ANN和GA对该基础预测模型进行了改进。其中，ANN用来转换HMM的输入观察序列，GA用来优化HMM的初始参数，解决了基础预测模型的局限性，并提高了预测精度。以平均绝对百分比误差作为衡量标准，与其它预测方法再次进行了比较。（4）引入FL建立了HMM-Fuzzy混合预测模型，处理股票价格时间序列数据的非平稳性。结合HMM数据划分法，对股票价格时间序列数据向量中数据特征间的关系进行了刻画，从而生成适当的模糊规则数目，之后再将所生成的模糊规则的参数通过梯度下降算法做了进一步调整。（5）结合EA对HMM-Fuzzy模型进行了改进，建立HMM-Fuzzy-EA混合预测模型，解决了对于具有非线性和强非平稳性时间序列数据进行预测时，产生大量模糊规则数目的问题。该混合预测模型通过满足期望的均方误差MSE来使模糊规则的数目尽可能的小。如果选择了对于数据集不合适的MSE，可能会导致生成大量的模糊规则，还有可能发生过度拟合。为了克服这个问题，采用多目标EA，在最优模糊规则数目和预测准确性之间，找到折中解的范围。通过实证研究发现，选择合适的MSE值，不仅可以提高预测的准确性并且还可以大幅度降低所生成的模糊规则数目。

内容获取失败，请点击重试