[发明专利]一种股票趋势预测方法

说明书

本发明公开了一种股票趋势预测方法，包括步骤:首先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中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，选取出最优染色体构成精英群；再利用粒子群算法的局部搜索能力选取出最优染色体，作为优化后极限学习机的输入权值和阈值；再用最小二乘法计算极限学习机隐层神经元的输出权值，从而计算预测值，并根据预测值进行交易。本发明主要针对传统极限学习机在处理股票趋势预测问题时预测精度不高的问题，预测结果比利用传统方法更精确。

技术领域

本发明涉及一种股票趋势预测方法，具体涉及利用遗传算法和粒子群算法改进极限学习机运用于股票趋势预测，属于金融数据挖掘领域。

背景技术

股票趋势预测一直是金融领域研究的重点，大量的实验研究表明，股票市场具有非线性、非平稳、高噪声的特点，股票市场是一个非线性系统，传统的线性模型已经不满足市场研究。

目前，股票趋势预测的研究成果很多，预测方法主要有神经网络、支持向量机、混沌理论、分形理论等，但神经网络预测训练速度慢，容易陷入局部最优，并且隐层节点数由人为设置大大影响了预测精度；极限学习机是一种新型神经网络算法，是单隐层前馈神经网络。目前极限学习机已经广泛应用于故障诊断、图像分割、数据挖掘自动控制等领域；在该算法中，输入权重随机选取，输出权重通过最小二乘法决定，极大地提高了网络训练速度和泛化能力，但是，在解决梯度下降问题时，由于隐层神经元参数的随机性，极限学习机有易出现收敛速度慢、陷入局部最优值等问题。

针对上述问题，本文在极限学习机的基础上利用遗传算法和粒子群算法进行改良从而进建立股票趋势预测模型；该模型中，将极限学习机的权值和阈值映射为遗传算法的染色体向量，通过遗传算法的全局搜索能力选取出最优的个体，构成上层精英群，然后再利用粒子群算法的局部搜索能力对精英群进行搜索，选出最优染色体，即选出使极限学习机网络误差最小的输入权值和阈值，从而改善极限学习机的泛化性能，提高预测精度，并且减小了预测结果受隐层节点数的影响。

发明内容

有鉴于此，本发明的主要针对传统极限学习在股票趋势预测中精度不高的问题，目的在于利用遗传算法的全局搜索能力和粒子群算法的局部搜索能力改进极限学习预测模型，提高股票趋势预测的准确度。

为了达到上述目的，本发明提出的技术方案为：

一种股票趋势预测方法，所述评估方法包括如下步骤:

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。

综上所述，本发明所述的一种股票趋势预测方法，将遗传算法和粒子群算法改进的极限学习机算法运用于股票趋势预测，解决传统极限学习机预测精度低的问题。首先将极限学习机训练数据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，选取出最优染色体构成精英群；然后再利用粒子群算法的局部搜索能力选取出最优染色体，作为优化后极限学习机的输入权值和阈值；最后再用最小二乘法计算极限学习机隐层神经元的输出权值，从而计算预测输出。该算法将求权值和阈值问题转化为寻找最优染色体的问题，充分利用了遗传算法的全局搜索能力和粒子群算法的局部搜索能力，并结合极限学习机的强学习能力，可以达到很好的预测效果。

附图说明

图1为本发明所述一种股票趋势预测方法的总体流程示意图；