基于隱馬爾可夫模型和計算智能的股票價格時間序列預(yù)測.pdf

1、股票價格時間序列是股票市場的綜合外在表現(xiàn)形式，正在不斷地引起人們的注意，進入人們的生活。對于股票價格時間序列預(yù)測研究的必要性已經(jīng)成為實務(wù)界和學(xué)術(shù)界的普遍共識。
　　然而，由于股票價格時間序列本身的復(fù)雜性、多樣性和善變性，影響其變化的因素眾多，有些因素是可以度量的，而有些因素卻難以量化，很難科學(xué)的計算和評價，因而研究難度較大。當(dāng)前，隱馬爾可夫模型（HMM）的廣泛應(yīng)用以及計算智能（CI）技術(shù)的不斷發(fā)展，為股票價格時間序列預(yù)測研究開闊了

2、新的思路，提供了新的理論和技術(shù)支持。
　　本文以隱馬爾可夫模型（HMM）為基礎(chǔ)，結(jié)合幾種計算智能（CI）方法：人工神經(jīng)網(wǎng)絡(luò)（ANN），模糊邏輯（FL），和進化算法（EA），開展針對股票價格時間序列預(yù)測問題的系統(tǒng)研究，建立了比較完整的混合算法預(yù)測模型，以期更進一步地豐富和完善股票價格時間序列預(yù)測研究的成果。本文以逐層遞進的結(jié)構(gòu)，逐步完善所提出的預(yù)測模型。
　　首先，提出了一種基于HMM的無監(jiān)督聚類方法。該聚類方法是運用HMM在

3、數(shù)據(jù)集中識別相似的數(shù)據(jù)模式，對于給定的數(shù)據(jù)集，HMM被用來確定分類的數(shù)目，并計算每個數(shù)據(jù)模式的對數(shù)似然值，之后根據(jù)對數(shù)似然值的大小將其對應(yīng)的數(shù)據(jù)模式分進不同的類里。為了檢驗該方法的數(shù)據(jù)識別聚類能力，將該方法與其它三種聚類方法進行了實證比較研究。
　　其次，根據(jù)之前提出的基于HMM的無監(jiān)督聚類方法，設(shè)計了針對股票價格時間序列的基礎(chǔ)預(yù)測模型。該基礎(chǔ)預(yù)測模型，是從過去的數(shù)據(jù)集中找出與當(dāng)前股票價格行為相匹配的模式，然后用適當(dāng)?shù)泥徑鼉r格元素

4、插入這兩個數(shù)據(jù)集中，并對下個時間單元的股票價格進行預(yù)測。以上海證券交易所的六只股票為實證研究對象，采用該基礎(chǔ)預(yù)測模型進行了實證預(yù)測研究，并與其它預(yù)測方法進行了比較。之后，運用ANN和遺傳算法（GA）對該基礎(chǔ)預(yù)測模型進行了改進。其中，ANN用來轉(zhuǎn)換HMM的輸入觀察序列，GA用來優(yōu)化HMM的初始參數(shù)，改進后的預(yù)測模型解決了基礎(chǔ)預(yù)測模型的局限性，并且提高了預(yù)測的精確度。為了證實改進后的預(yù)測模型比基礎(chǔ)預(yù)測模型更優(yōu)秀，以相同的上海證券交易所的六只

5、股票作為實證研究對象，進行了實證預(yù)測研究，并以平均絕對百分比誤差（MAPE）作為衡量標(biāo)準，與其它預(yù)測方法再次進行了比較。
　　再次，為了處理股票價格時間序列數(shù)據(jù)的非平穩(wěn)性，將模糊邏輯理論引入到之前提出的改進后的基礎(chǔ)預(yù)測模型當(dāng)中，構(gòu)建了一個有效的數(shù)據(jù)驅(qū)動HMM-Fuzzy混合預(yù)測模型，該混合預(yù)測模型能夠在提高預(yù)測精確度的同時使模糊規(guī)則的數(shù)目最小。該混合預(yù)測模型的一個關(guān)鍵優(yōu)勢是在運用模型之前沒必要去分析訓(xùn)練數(shù)據(jù)集，而這一點對于其它一些

6、現(xiàn)存的數(shù)據(jù)驅(qū)動模型是必要的。此外，該數(shù)據(jù)驅(qū)動模糊模型并沒有受到使用者所定義的參數(shù)的限制。將HMM-Fuzzy模型應(yīng)用在兩組時間序列數(shù)據(jù)中，進行實證研究。一組是具有非線性和強非平穩(wěn)性特征的Mackey-Glass時間序列數(shù)據(jù)，另一組是具有非線性和弱非平穩(wěn)性特征的上海證券交易所的六只股票的股票價格時間序列數(shù)據(jù)。對于這兩組數(shù)據(jù)，HMM-Fuzzy模型都能產(chǎn)生較準確的預(yù)測結(jié)果。當(dāng)預(yù)測對象是具有非線性和弱非平穩(wěn)性特征的時間序列數(shù)據(jù)時，HMM-Fu

7、zzy模型可以達到很好的預(yù)測性能。然而，當(dāng)預(yù)測對象是具有非線性和強非平穩(wěn)性特征的時間序列數(shù)據(jù)時，盡管有很好的預(yù)測性能，但是由于生成的模糊規(guī)則數(shù)目非常大導(dǎo)致模型變得十分復(fù)雜。
　　最后，為了解決對于具有非線性和強非平穩(wěn)性時間序列數(shù)據(jù)進行預(yù)測時，產(chǎn)生大量模糊規(guī)則的問題，引入進化算法（EA），對HMM-Fuzzy模型進行了改進，提出了一種HMM-Fuzzy-EA混合預(yù)測模型。該混合預(yù)測模型通過滿足期望的均方誤差（MSE）來使模糊規(guī)則的數(shù)

8、目盡可能的小。如果選擇了對于數(shù)據(jù)集不合適的MSE，可能會導(dǎo)致生成大量的模糊規(guī)則，還有可能發(fā)生過度擬合。為了克服這個問題，采用多目標(biāo)EA，在最優(yōu)模糊規(guī)則數(shù)目和預(yù)測準確性之間，找到折中解的范圍。通過實證研究發(fā)現(xiàn)，選擇合適的MSE值，不僅可以提高預(yù)測的準確性并且還可以大幅度降低所生成的模糊規(guī)則數(shù)目。
　　本文對于結(jié)合隱馬爾可夫模型和計算智能方法的股票價格時間序列預(yù)測的研究，有利于跨學(xué)科多渠道預(yù)測建模方法的發(fā)展，豐富了混合預(yù)測模型的理論與