[发明专利]一种股票趋势预测方法

权利要求书

1.一种股票趋势预测方法，针对传统极限学习机在处理股票趋势预测时精度不高的问题进行研究， 其特征在于，所述预测方法包括如下步骤:

步骤1、利用源数据构造技术指标作为模型的输入，股票价格趋势状态作为输出，确定训练集和测试集；

步骤2、将极限学习机的输入权值和隐层节点的阈值映射为遗传算法种群中每条染色体上的基因，利用遗传算法的全局搜索能力，取每个子群最优染色体构成精英群；

步骤3、利用粒子群算法的局部搜索能力选取出精英群中最优染色体，作为优化后极限学习机的输入权值和阈值；

步骤4、根据优化后的输入权值和阈值，利用最小二乘法计算极限学习机隐层神经元的输出权值，然后计算预测值，根据模型的预测值进行交易。

2.根据权利要求1所述的一种股票趋势预测方法，其特征在于，步骤1中，利用源数据构造技术指标作为模型输入，股票价格趋势状态作为输出，确定训练集和测试集包括如下步骤：

步骤11、根据原始数据的开盘价、收盘价、最高价、最低价、成交量基本信息通过特征函数构造技术指标，包括：离散指标、顺势指标、动量指标、相对强弱指标、随机指标、乖离率、能量指标、Larry William's指标、n日加权滑动平均波动指标，将构造的指标作为模型的输入；

步骤12、将股票价格趋势状态分为上涨、下跌两种状态，当日收盘价高于第二天的收盘价，为上涨状态，标记为+1，当日收盘价低于或等于第二天的收盘价，为下跌状态，标记为-1，将标记值作为模型的输出；

步骤13、将建立好的样本集划分为训练集和测试集，样本集的前80%作为训练集，样本集的后20%作为测试集。

3.根据权利要求1所述的一种股票趋势预测方法，其特征在于，步骤2中，将极限学习机的输入权值和隐层节点的阈值映射为遗传算法种群中每条染色体上的基因，利用遗传算法的全局搜索能力，取每个子群最优染色体构成精英群，包括如下步骤：

步骤21、训练数据为维数据，极限学习机的输入神经元个，隐层神经元个，将每一行数据标记为一个子群，作为初始群体，记为，每个子群包括个染色体，其中每个染色体都包括个输入权值和个阈值，并把初始群体作为第一代种群：

其中，是输入权值，是隐层神经元阈值，初始群体中的权值和阈值是随机获取的；其中；

步骤22、随机选取隐层节点参数和，计算每一个子群中的染色体的适应度值，方程如下：

其中是第组数据的输出实际值，为隐层神经元输出权值，为隐层节点输出矩；

步骤23、采用锦标赛选择方法，选出最优染色体，方程如下：

其中，最优染色体为适应度值最高的染色体，为染色体的适应度值，，为下一代种群，每次选取两个染色体中适应度最高的一个进入下一代种群中；

步骤24、对选出的个体是否进行交叉由交叉概率决定，若产生的随机数大于，则进行交叉，小于或等于时，不进行交叉，交叉方程如下：

其中是[0,1]范围内服从均匀分布的随机数；

步骤25、变异采用非一致性变异，根据变异概率对所有个体每一维进行变异，公式如下：

其中，为个体的上界，为个体的下界，为当前的迭代次数，为最大迭代次数，为确定非一致性变异程度的参数，取值为2；

步骤26、计算编译后个体适应度值，找出适应度最高的个体作为当前最优个体，取每个子群的最优个体组成精英群。

4.根据权利要求1所述的一种股票趋势预测方法，其特征在于，步骤22中，随机选取隐层节点参数和后，计算每一个子群中的染色体的适应度值，包括如下步骤：

步骤S1、随机选取隐层节点参数和，计算隐层节点输出矩阵，方程如下：

其中为输入权重向量，为Sigmoid函数，是隐层节点激励函数；

步骤S2、根据隐层输出矩阵计算隐层到输出层输出权值，公式如下：

，，

其中是隐层输出矩阵的左伪逆矩阵，为目标输出，即；

步骤S3、根据隐层输出矩阵和隐层到输出层输出权值计算染色体的适应度值，方程如下：

其中是第组数据的输出实际值，为隐层神经元输出权值，为隐层节点输出矩阵。