[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

摘要

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。

主权项

1.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，其特征在于：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；第三，通过模型训练得到收敛的HMM参数，利用已得到的模型计算待观测值序列标记为各个隐状态的可能，并标记为最可能的隐状态序列及相应的似然值；然后利用HMM模型，计算待预测的观测值序列最可能的隐状态序列及似然值，并通过在时间和似然函数值作为最相近历史点的寻找依据，基于时间的权值分配使用：wm＝exp(1/(i‑m+1))，wm为不同相近历史点和后一日间升降幅度所占的权值，i为当前带预测天的前一日序号，m为相近历史天的序号；L函数使用欧氏距离公式配备权值，从而得到训练样本天后一日的价格涨跌幅度，通过此幅度计算得带预测日和前一日的涨跌幅度，进一步得到待预测日的股价趋势分类。