论文部分内容阅读
股票市场是市场经济的产出物,自其诞生以来就受投资者的特别关注。然而股票市场纷繁复杂,它受多种因素影响,例如:经济周期、金融政策、政治形态、公司自身状况和投资者的心理状态等,而且股市中的数据量非常大,这就使得想要通过传统方法对股票市场的趋势进行准确分析变得非常困难。基于这些问题,本文提出基于集成学习的方法对股票买卖点进行预测,主要的研究内容如下:(1)为了解决股票涨跌趋势特征点筛选不正确导致预测准确率低的问题,本文提出了一种基于滑动状态窗和涨跌趋势形态的筛选方法。首先,将个股的收盘价变化作为趋势状态变化的依据,利用个股相邻三天的收盘价大小,筛选出所有处于趋势转折处的点作为买卖点,其次,再结合滑动状态窗技术根据时长和收益率对初步得到的买卖点进行二次筛选,最终得到股票涨跌趋势的最佳买卖点。(2)用多技术指标表示股票涨跌趋势时,多个特征之间会存在特征冗余,因此采用特征相关性方法对多类技术指标进行选择,按照股票特征的相关性对各个特征组合进行评分,根据买卖点特征组合后预测结果的准确率高低,对股票多类技术指标进行筛选。其实验结果证明,使用该方法后股票买卖点预测的准确率有了一定的提高。(3)根据股票买卖点数据的特征,本文提出基于BP-Ada Boost算法的股票最佳买卖点预测方法,用于对股票时间序列数据的买卖点进行预测。实验结果显示,采用BP-Ada Boost算法对股票买卖点预测准确度更高,更适用于股票趋势时间序列的预测。本文在股票交易市场中应用滑动状态窗和形态特征对个股的趋势关键点进行筛选,然后选择合适的技术指标对买卖点进行特征表示,最后采用分类算法对个股的涨跌趋势进行分类,判断当前是否为买卖点。本文提出的方法提高了个股趋势预测的准确率,可以为投资者提供买卖决策指导,在股票市场中具有一定的经济实用价值。