[发明专利]一种股票价格优化预测方法

摘要

本发明涉及一种股票价格优化预测方法。其特征在于，采用泛化能力较强，且不容易陷入局部最优和过拟合现象的支持向量回归机模型作为股票价格预测的核心部分，克服人工神经网络算法的缺点；引入流形学习中的线性局部切空间排列算法，将股票原始数据看作嵌入在高维欧式空间中的低维流形，提取股票数据中的非线性子流形结构，使得提取的特征更加具有区分度和代表性，并同时降低股票数据噪声；最后再利用遗传算法优化支持向量回归机的训练参数，解决了单一支持向量回归机模型参数选择困难的问题，最终提高股价的预测精度。

主权项

一种股票价格优化预测方法，其特征在于，包括以下关键步骤：1)线性局部切空间排列算法特征提取对原始股票数据进行预处理后，利用线性局部切空间排列提取数据样本集的特征，进行降维和降噪的操作；求得能够将高维原始数据样本集映射到低维样本集的转换矩阵，根据该转换矩阵得到降维去噪后的低维特征集；2)支持向量回归机参数优化具体又包括：a.生成初始种群将每个参数转化为20位二进制数然后再拼接起来，形成一个候选解；b.训练支持向量回归机评估个体适应度对划分的训练样本集进行建模训练，得到预测值与真实值计算MSE，以此评估这组参数对应个体的适应度大小。对种群中20组参数候选值都进行同样的适应度评估，最后将个体按适应度大小排序；c.选择、交叉和突变遗传形成新的种群按设定的选择概率、交叉概率和突变概率进行选择、交叉和突变三种遗传操作；d.判断迭代条件对新生成的种群判断其中包含个体的适应度大小，若有个体的适应度满足设定最优值或总体迭代次数达到上限，则停止迭代，适应度最优个体即为所求；若不满足以上两个条件，则循环执行直到满足停止条件为止；当迭代停止后，就可以得到最优的个体；3)组成最优支持向量回归机模型将遗传算法处理得到的最优个体分解为三个参数对应的二进制序列再进行十进制转换，即可得到的最优的参数C、σ和ε的值，将支持向量回归机的参数设置为这三个最优值，即可得到经过遗传算法优化的支持向量回归机模型；4)预测股票价格将前述步骤得到的经过线性局部切空间排列算法提取特征之后的特征样本集输入到遗传算法优化的支持向量回归机模型中，利用其中训练集训练模型，再将训练好的模型在测试集上进行检验，得出股票收盘价的预测值。