机器学习算法在股票走势预测中的应用

《机器学习算法在股票走势预测中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、机器学习算法在股票走势预测中的应用　：结合K近邻算法、支持向量机算法和时间序列算法的优点，整合其结果提出一种综合预测算法，并将其应用到沪深300指数的涨跌预测中。首先通过时间序列预测出股票未来一段时间内的走势图，然后结合K近邻算法判断该走势图的总体涨跌趋势，最后将涨跌趋势量化作为一变量引入到支持向量机算法中，通过支持向量机算法预测最终的股票涨跌。该方法能够弥补3种算法的不足，能够更加准确地预测股市的涨跌趋势。　　关键词：股票预测；K近邻算法；支持向量机；时间序列DOIDOI：10.11907/rjdk.171549：T

2、P312：A：16727800（2017）0100031040引言随着经济的快速发展，股票市场受到了投资者的普遍关注，掌握股市变化规律并预测其走势，一直是投资者和投资公司关注的热点，对于预测股市未来收益方法的探索也从来没有中断过。由于涉及到金融领域，因此最开始仅从金融工程、数理统计方面进行挖掘，探索相关方法，在文献[1][3]中提到了其中的部分金融模型与方法。然而，由于发现金融模型一定程度上无法满足人们对于预测准确性的要求，因此对于金融模型而言，更多地是建立在假设上。之后人们提出了机器算法模型，其实践性更强，适用范围更

3、广，模型准确率更高[46]。至21世纪初期，金融市场发展迅速，同时也衍生出了更多金融产品。因此，单一的金融模型算法和机器学习算法已经满足不了市场需求，人们便将金融模型算法与机器学习算法结合起来，以达到更好的效果[78]。对于金融工程方面的股市量化预测分析，机器学习算法的优点[9]是能够最大程度地模拟对象的具体特征，另外在处理数据量及复杂度方面也有更大优势。另外一种预测手段是结合多种算法，能够一定程度上弥补单独算法存在的缺陷。本文采用的即是机器学习和金融模型算法相结合的综合算法，其中包括K近邻算法、支持向量机算法（SVM

4、）、时间序列算法。K近邻算法主要应用于分类方面，通过近邻算法将相似的样本归为一类；SVM支持向量机算法可以有效解决神经X络无法避免的局部最小化问题，而且对于小样本容量、非线性及高维数模式，以及在克服维数过大和过度拟合学习方面具有优势[9]；时间序列算法能够很好地展示一定时间内事物的发展变化趋势与规律，从而对未来的变化进行有效预测。本文将通过沪深300数据，结合K近邻算法、支持向量机算法（SVM）、时间序列算法的优点，以达到最好的股指预测效果。本文首先结合近邻算法和时间序列算法，得到一个未来趋势的涨跌变量，通过图像处理将

5、图片转换成二维码数字，用近邻算法分析识别时间序列预测的曲线图是涨还是跌；然后将该变量输入到支持向量机算法中，得到最终的综合算法；最后与单一的SVM算法、时间序列算法进行比较，得到最终的准确率。1.3时间序列由于股票价格随着时间不断发生变换，而且有着非常明显的时间先后顺序。这种按照时间序列排列起来的一系列观测值称为时间序列，因此可以认为时间序列包含了某一个或某几个统计指标特征。一个时间序列里一般包含4种信息：长期趋势、循环、季节变换、不规则变换。常用的时间序列模型主要有自回归模型（AR）、移动平均模型（MA）、自回归移动

6、平均模型（ARMA）、齐次非平稳模型（ARIMA）等。时间序列模型又分为传统时间序列模型和现代时间序列模型。传统时间序列模型把时间序列看成是长期趋势、季节变动、循环变换、不规则变换的复合体。现代时间序列模型则将时间序列看作一个随机概率过程，ARIMA模型算法即是这类模型的代表[15]。下面将结合3种单独的算法得到最终的综合算法。2综合算法预测模型2.1算法模型概括综合算法预测模型主要分为3部分，首先在相同的数据条件下分别计算出支持向量机算法、时间序列算法与综合算法的准确率，然后对其进行比较。具体步骤为：①首先对数据进行

7、标准化处理；②经过归一化处理，分别计算出在支持向量机算法、时间序列算法下的准确率；③按照相同像素大小的图片，随机截取20个间隔为30天的沪深300历史涨跌图作为样本集。将20个曲线图分为两类，即涨和跌，每一类的样本数量为10；④按照支持向量机选取的变量日期，画出时间序列未来30天的预测曲线图，按照相同的像素大小截取预测曲线；⑤通过近邻算法进行比对，识别出时间序列未来30天的曲线图是涨还是跌，并将涨定义为1，跌定义为-1；⑥将通过近邻算法得到的结果作为其中一个支持向量机变量输入其中，最后计算出综合算法的预测准确率；⑦比较

8、支持向量机算法、时间序列算法和综合算法的准确率，得到最后的结论。2.2综合算法原理本文中的综合算法用到了图像处理技术以及时间序列算法、近邻算法、支持向量机算法。对于图像处理技术而言，因为在股票市场某一阶段并不能通过肉眼准确地判断涨跌，因此将图像处理技术和机器学习算法相结合能够避免肉眼带来的局限性，同时还避免了重复工作带来的错误率。