[发明专利]基于多特征因子的隐马尔科夫模型的自适应股票预测方法

说明书

本发明公开了基于多特征因子的隐马尔科夫模型的自适应股票预测方法，本发明主要由股票样本数据和HMM组成。基于HMM的股票预测的思路是将历史数据的时间点通过隐状态的标注，实现时间点的分类，然后通过寻找和待预测日前一天的分类标注一致的历史点，计算取得历史点和它们后一日的涨跌幅度，来估计待预测日和前一日的收盘价残差。使用了多种特征属性，包含了股市的市值资本、技术、动量等指标作为初选特征，经过多种方法筛选出预测能力较强的属性作为特征向量，预测能力较优于使用特征少的方法。

技术领域

本发明属于股票预测技术领域，本发明涉及一种基于HMM的股指趋势分类预测方法。

背景技术

在上个世纪60年代，鲍姆提出了隐马尔科夫模型，然后通过在语音识别领域内的使用被广大科研人员和爱好者熟知，1988年李开复的博士论文，基于HMM的语音识别软件被评为重要发明。文艺复兴科技公司是国际著名投资机构，因从1989年保持在超高的年回报率被业界誉为最高效的对冲基金。正是通过独特的数学模型捕捉市场机会进行量化投。而隐马尔科夫模型是该公司的主要工具之一。因此，在金融市场中尝试HMM进行预测具有实际意义。

股票市场一般按照投资的方式不同分为：基本面、技术型和量化型。根据统计，全球绝大部分的投资方法都是基本面型的，此法以基金投资为主。一部分人员是技术型为主，此方式专业性较强，通过分析各种技术指标投资，计算繁琐，以民间个人为主。近几年，在国内外量化型的投资方式逐渐增多。在股票市场中应用HMM量化模型，首先要认识清楚两个问题：第一，对HMM的参数的学习问题，第二，基于观察值的状态分类。模型参数是通过观察值学习来的，但是通过单一股票值不能够直接建立可以反映股票走势的模型，从而探究观察值背后的隐状态以供投资研究使用。不过可以提取一些重要的特征因子,例如股票值、成交量等二次信息数据作为模型的观测值，通过多维特征因子序列来建立HMM量化模型

目前行业内的研究还多在金融方向做一些统计分析类模型，如：钟摆理论模型、小市值理论、Alpha模型、归因分析、羊驼和海龟策略等，这些传统的方法已经做到了领域的天花板，或者没办法做到突破瓶颈，可以利用机器学习的方法，在没有过多的金融框架的限制下，更多的从数据的本质和市场的内在自然发展规律来一探究竟，会有更好的效果，目前各种算法已经在行业内做过初步的研究，但是更好的模型还是需要多做优化、改进，以期更好的和实际问题结合。在人工智能时代，能否将人工智能更紧密的应用在股票预测，寻找一种高效的股票预测算法，具有重要的新颖性、创造性和实用价值。

发明内容

基于HMM的股票预测的思路是将历史数据的时间点通过隐状态的标注，实现时间点的分类，然后通过寻找和待预测日前一天的分类标注一致的历史点，计算取得历史点和它们后一日的涨跌幅度，来估计待预测日和前一日的收盘价残差。

本发明主要由股票样本数据和HMM组成。

基于多特征因子的隐马尔科夫模型的自适应股票预测方法，该方法包括三个步骤，

第一，通过股票样本数据训练HMM模型，建立基于HMM模型，通过限定模型的适用条件，以达到最优的预测效果；限定模型的适用条件为训练样本的长度、观测值的预测窗口、HMM的隐状态数、避免适用未来数据的窗口，并对这些数据参数进行最优化处理。

第二，在训练好的HMM模型，得到最优化的限定参数后，对共53个特征因子进行适用，并各自对待预测观测值进行价格预测，按照预测的准确率的高低排列，选取高区分能力的因子，考虑特征因子间的相关性，提取不相关的特性因子，同时考虑PCA选取较好的二次特征因子作为模型的预测特征，作为最终稳定的基于HMM的股指预测模型特征。