[发明专利]股票预测与投资组合优化方法、系统、计算机及存储介质

说明书

本发明公开了股票预测与投资组合优化方法、系统、计算机及存储介质，采用基于禁忌搜索和微分进化的融合算法DETS，将历史数据与预测数据融合成为新的数据以改善历史数据集的缺陷，再通过融合算法DETS和Pareto排序理论相结合进行投资组合配置，从而解决预测难、组合优化难两大难点，规避现有的投资组合优化算法专注于历史数据且存在解的全局搜索能力低、时间复杂度高和解集收敛性低等缺点，在求解速度、解集的优化质量上都有较高提升，达到提高收益、降低风险的目的。

技术领域

本发明涉及股票投资预测的技术领域，尤其涉及到股票预测与投资组合优化方法、系统、计算机及存储介质。

背景技术

在股票预测模型方面，传统股票预测主要运用线性规划算法求解，为在股票与影响经济因素之间建立线性模型的基础分析方法和利用股票自身时间序列数据进行预测，建立单变量的时间序列模型的技术分析方法，如自回归条件异方差模型。现有的新型股票预测研究大多采用融合机器学习的方法。Hui通过结合遗传算法,提出了基于实数编码的GA-BP神经网络股票预测模型，但是该方法却存在机器学习参数优化程度低，结果不稳定，从而使得整个预测结果可信度降低。学者们之后又提出利用ARIMA作为预测序列的线性主体，融合其他机器学习算法建立时间序列预测模型，Ma通过利用改进的人工鱼群优化支持向量回归机算法，对股票进行短期预测。然而，一旦数据量加大或预测时间序列加长，上述方案仍不能在较短时间完成参数的快速高质量优化。Galimberti和Moura提出了基于泰勒规则的股票预期模型，使用该规则的股票模型预测能力强于随机游走模型。然而，该方案的限制条件过多，适应性差，无法拓展到更广的研究中。Zhang首次利用奇异谱分析对股票进行了分析和预测，但无法适用于大数据预测，缺陷限制了该方案的实用性。

在投资组合模型方面，马科维茨最早提出“均值-方差”模型进行求解，而后学者提出了许多改进模型并与其他决策方法结合。Chen利用模糊约束将其转化为模糊线性规划模型。然而，由于定义参数会导致不同的优化策略，使得该方法求解具有较高的主观性。Liu根据损失的定义，提出了最大损失最小化模型。Yu提出用上下半方差的比值近似刻画偏度,建立了均值-方差-近似偏度模型，一定程度上优化了马科维茨模型。一定程度上优化了马科维茨模型，但上述方案只是针对特定情况下的市场，无法进行普遍性推广。近年来，智能优化算法在解决投资组合问题上表现越来越好。Zhao和Zhou成功将人工鱼群算法引入到多目标优化问题中，并通过对比其他算法证明了其优越性；Wu将改进的多目标粒子群算法应用于多目标投资组合问题，取得了良好的效果；Ge设计了一种约束多目标投资组合优化模型的改进人工蜂群算法。上述算法都在一定程度上改进了已有的群智能算法，成功应用到了多目标优化问题，并取得了一定的效果，但都是针对已有数据的组合，未考虑数据预测问题。同时，目前的多数算法都是单一的改进智能算法，没有利用融合智能算法提升性能。并且现有的算法对于解的优化程度仍然较低，前沿解的数量过少，不符合现实需要。

在现有组合配置与智能算法方面，在目前的股票组合配置中，大多智能优化算法模型采用现有历史数据进行组合配置。由于股票数据波动较大，未来数据和历史数据存在一定差异，因而利用历史数据进行配置不符合现实需求，存在解的全局搜索能力低、解集收敛性低等缺点。同时，许多智能优化算法可以一定程度上优化投资组合，但是算法自身仍存在组合优化能力差、优化结果不符合实现需要等问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种股票预测与投资组合优化方法。

为实现上述目的，本发明所提供的技术方案为：

股票预测与投资组合优化方法，包括以下步骤：

S1、创建支持向量机回归模型；

S2、将基于禁忌搜索和微分进化的融合算法DETS应用于优化支持向量机回归模型的参数；

S3、通过参数优化后的支持向量机回归模型进行股票预测，得到股票预测数据；