基于神经网络LAMSTAR的短线股票预测研究.pdf

《基于神经网络LAMSTAR的短线股票预测研究.pdf》由会员分享，可在线阅读，更多相关《基于神经网络LAMSTAR的短线股票预测研究.pdf（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、C N 4 3 一 1 2 5 8/T PI SS N 1 0 0 7 一 1 3 0 X 计算机工程与科学C(州 田 U T E RE N G I N E E R I N G&SCIEN C E2 0 0 8 年第3 0 卷第5 期 V O I.3 0，No.5，2 0 0 8文章编号:1 0 0 7 一 1 3 0 X(2 0 0 8)0 5 一 0 1 5 任0 4基于神经网络L A MS T A R的短线股票预测研究S h o r t-Ter m s t o c kP r e d i c t i o n:AL A MS T A RA P P r o a c h 谢秀珍，李建洋2X IE

2、龙，劝e o 1.L I JI，y 朋犷 1.龙岩学院数学与 计算机科学学院.福建龙岩3 6 中 以 沁;2.合肥工业大学计算机网络所，安徽合肥23创 泊，!(1。S cl l 网 of加 l a t h e lr la t i csa l xIO 阅 1 训ter 洲.倪.1 浦”1 盯叨 U n i v e 岛 i ty，L 班 gy an 364 州 犯;2.I ns t i tU teofC 咖p u t erNetW份 k，H e fe i U O i v e 路 ity ofT eC hoOI 峨褪 浮，H 七 介 i 230 0()9，Chi ua 摘要:股票预测在金融领域是一个

3、重要的课题。L A M S T A R是一个用于存储、识别、比较和决策的网络系统。本文尝试开发一个关于 扳期股票预浏的L A M S T A R网络应用程序，每一次预浏都会从历史数据里获取股票特征，然后拾入L A N S T A R网络。网络会自 动检浏各特征之间的多维非线性关系 并编码，然后根据预浏的趋势进行交易。本文提供了三个会司的预浏结果，该预浏结果非常有效.A 加 妞 t:S to c k 卿d ic t io n i s an加凶r te n t i s s u e infi nan 叱 L A M，助 卫i s a s y s t em of配 t wor k s for s t

4、o 雌e，、刃 e c o g 苗-t io n，com p arisou and d e c i s 生0 几T hi s p a p era t t e m p tstoe x p 1 o ret h e L A M S T A Rn e t w o rkaPp 1 ica t i o n ins hort-te rm st ock k etP r 司ictio 几 F b r ea chP r e d ic tion，th e s l o c k f eat u r e s ext ract edl 拍 mth e hi s to ri cal dataare fe d tot heL

5、A MS T A Rnet 书 ro rk，inw h i c hth e m u l t 卜 d l m e nsi o nal n o 幻 卜 l lnearcon n e c t i o nsbet 侣 re e n th e f ea t ure s are d e t ec t dand e n c o d e d inl i nk wci g h 讯 I f t h es to c k少 政 i s p r 记ic 初 仍四即int b e fo ll o 节 几 n g t r a d 吨 血y，L A M S T A Rw i l l s e n d o u t a b u y

6、 s i g nal toinit i a t e a t rans ac t fo 几T h r e e e xPenm ental r e s u l ts诫thexc i ti ng re t u rns of di fferen t com P a n 1 e s are P re se n te dtova1 id a teth e e f f i c i enc y o f t h i s a 介p r o a 血 关键词:神经网 络;L A 加 正 丁 A R;股票预浏;短期预浏 K 即w o n 为:neu r a】n e two rk，L A M S T A R;s to c

7、kp r edic t io n;s hortt e rm p redic t io n 中图分类号二 T P 1 8文献标识码:A1 引言 在金融领域，股票市场预测是一个重要的课题。事实证明，要预测股票价格是比较难的。通常，股票的预测有三种方法;技术分析(T A)、原理分析(F A)以及效率市场假设(E M H).T A使用历史价格数据，而F A使用的是公司金融状况。E M H则是效率市场理论的中心部分，该理论认为，股票价格已经精确地反映了 所有的已知信息。但是，决定未来股票价格的信息流是随机的，目 前根本无法获取。尽管目 前有很多T A途径，但它们最终被分成两种交易模型:参数模型和非参数模

8、型。参数模型包括基于规则的技术分析，例如R S I 相对强度指数和M 叭 C D，还包括线性或非线性的统计模型。而非参数模型则与人工智能相关，例如人工神经网络、基因算法等。由于具备发现模式和不规则性，以及不基于假设的检测数据中的多维非线性连接的能力，人工神经网络(A N N)技术在持续的竞争与当 今全球化的商业环境中 正朝向 更高效的方向 发展。尤其是近十年，人工神经网络(A N N)模型在股票市场中得到广泛的运用1 一 习。K 让 n o to等是最早采用人工神经网络(A N N)模型的一批人，他们采用该模型来预测东京股票交易指数叫;M认 uno 等人也采用A N N模型在东京股票交易中预测

9、买卖信号sj;P h ua将A N N与基因算法结合起来，用于分析新加坡股票交易市场s。本文构建一个L A M S T A R网络，用于决定相关股票的短期交易。就是说，通过对一些历史数据(开盘价、最高价、最低价和收盘价等数据)的分析，L A M S T A R系统将在股票价格有上升趋势的时候给买家提供购买信号。由G r a u peD提出的L A M S T A 丑适用于大规模数据存收稿日 期:20。问杏 13;2 0 0 7 刃7 一 1 0基金项目:龙岩学院自究项目(204 0 8);福建省教育厅科研基金资助项作者简介:谢经网络和智肩通讯地址:36建长汀人，助教，研究方向为计算机应用技术，

10、士生，副教授，研究方向为机器学习、神A d dJ 陀 55:段卜 加11吞 福建 省 龙 岩 市 龙 岩 学 院 数 学 与 计 算 机 科 学 学 院;Tel:1 3 8 5 o 6 8 8 8 90;E 份 湘11:re l ea se 越of N 纽 t h e 比 Ia t i cs a nd C b mp u 比r 反i e n c e，1 刀n R，a nUn i 忙r si t v，】刀叹v a n，F u i i a n3 6 4 0 0 0，P1 5 0万方数据储及信息检索。该网络结合某些基本网络，特别是结合了数据统计工具的义)M(自 组织映射)。所以，L A 加 正 汀 A

11、 R不是一个专业的网络，而是一个集存储、识别、对比和决策为一体的系统8J.L A M S T A R网络已 经被成功地应用于电子医 疗诊断系统、大学课程评估系统、分布计算中的 荷载平衡系统以及语音识别系统等。本文试图探讨L A M S T A R网络在股票市场中的应用。2 问题陈述和L A MS T A R2.1 问题陈述 本文的目 的是设计一个股票预测系统，该系统预测到股票即将上涨时，发出一个购买信号来通报用户。问题可以概括如下:给定 N天的股票历史数据X=xl，xZ，几，xN，这里的几表示第n个交易日 的历史股票价格向量。通常，它包括同一个交易日的开盘价以，收盘价 G，最高价城 和最低价L

12、。以及交易量叭。接着，利用L A M S T A R神经网 络系 统来预测下个交易日 的股票价格的走向轨迹。如果预测到开盘价0 矫 1 上涨并能在当天创造利润机会，即0 矫 1 G，那么L A M S T A R的输出决策众 会被设置为1，否则就是 输出。在众 二1 的情形下，系统发出购买信号，同时将发生一个交易事务 兀。这里的兀交易事务仅限指在第n 个交易日 用收盘价G购买股票，以 及在第二天用开盘价口 卜 1 卖掉它们。如果众 二。，那么那天不会发生任何交易.显而易见，如果一个交易事务兀发生，那么利润凡 仅仅和历史数据寿和x*，有关。我们定义一个利润函数:只=几(石，工 计 1)(1)在N

13、个交易日中，我们所做的全部预测利润为:户 二习凡x 众，我们定义实际决策几 如下(2)1，凡 00，凡(0(3)，在N个交易日 这段时期的全部潜在利润为:时时同同p 二艺尺x 众(4)本文的目 的是利用L A M S T A R尽可能地扩大户的值直到上限值P。为了 计算方便，这里没有考虑交易费用和其他服务费用。值得注意的是，我们可以 对方程(1)所定义的在训练进程中的利润函数作一些微小的改变，这样就可以把那些费用也考虑在内。2.Z L A 竹 S T A R的构件 本文所构建的L A M S T A R网络有四 个构成部件:元数据、输人模块、输出模块和链接权。图1 展示了 它的结构。元数据是L

14、 A M S T A R的 输人，假设输人的 元数据被充分编码能优先进人网络。元数据的每一 具体信息条目 在本文里称作元数据例子，它们被归类成相应的输人(存储)S O M模块的一个种类。对于股票市场 数据，元数据部分来 图I L A M S T A R的构件自 历史数据或源自 信息，在下面的章节作详细介绍。输人模块是L A M S T A R网络的存储层。L A M S T A R将对每种元数据都建立一个输人模型。每一个输人模块都是一个soM，它收集同一个元数据的所有可能实例。每个实例的信息储存在一个神经元中。因此，该网络就是用来在一组神经元(也就是一个soM模块)里面寻找所要的神经元，这个神

15、经元能够最恰切地与输入元数据例子相匹配。每一个输人 S O M模块就是一个 WT A(Wi nne o Tak e-川1，简称WT A)网络。在这个网络里，仅有具备最高输出级别的神经元才会有一个非。的 输出值。输出模块是W T A的 决策层。每个神经元代表一个决策，级别最高的神经元声明为获胜者。同时，获胜的神经元通过侧面抑制把其他神经元的输出设置为0。对于本文所讨论的股票市场预测，有两种决策，即“购买”还是“不买”。链接权是该网络模型的主要引擎和关键元素。Min-sky 提到，人的大脑是由 许多神经因子构成的。无论何时，只要人回忆起一个经历，知识链接就在这些神经因子之间形成了。他同时也提到，当

16、随后知识链接处于活动期时，它激活那些智力因 子。这些智力因子是重建与初始状态相似的精神状态所必需的。通过对这些生理现象的观察，L A MS T A R使用了 链接权来连接不同的模块，以对信息进行编码。在股市预测的应用程序里，只有界于输人 S O M模块和输出模块的链接权才被考虑。因此，我们通过在每个输人S O M模块和输出 模块里的单个神经细胞里的链接权重来对L A M S T A R里的历史股票信息进行编码。2.3 学习过程和遗忘功能 学习过程和遗忘功能对于L A N 连 丁 A R的性能来说是至关重要的。学习过程包含了奖励和惩罚机制算法，以增加那些能够顺利到达所期望结果的链接权重，同时削弱

17、那些导致失败结果的链接权重。图2 所示的是任务评估单元给出的反馈，它演示了学习过程。图2 链接权重知识算法1 5 1万方数据给定第1 个输人模块，这里1=1，2，1，令r=刀 针1P(m，n)=习尸 x 几(1 0)h=入 口1，(r)(5)这里，刀 杆 1 是下列交易日 的真实决策，入 口 T(。)是取反的逻辑操作。让瑞表示获胜神经元q 和输出模块中的神经元r 之间的 链接，根据以 下公式来改变链接权重的值:端(n+1)=瑞(n)+L:L 易 簇工 瑞(n+1)，瑞(n)一从瑞)0(6)因此，当没有取消时间长度的时候，链接权重随着时间衰减。这种遗忘功能允许该网络模型根据非常新的实际决策来迅速

18、作出预测。由于链接权重是逐渐地分段衰减，它们不会马上跌至0。当一个回 忆进程发生的时候，该网络模型可以激活这些链接。比如，假设m=n 一22，那么尸(m，n)就是在这过去的22个交易日 的全部潜在回 报，这段时期接近有一个月的时间。当在方程(8)(10)中 使用不同的二 决和t 值时，我们将获得大量的子数据。3 股票价格的建模 建模过程就是在向L A 为 正 汀 A R中 输人元数据时获取一些股票特征。实际的金融数据是高度非高斯化的，并且都具有暂时关联性。那些开盘价或收盘价、最高价或最低价的 数据值，尤其是那些海量的数据呈现出大量的剧烈起伏性的时候，会导致训练和预测阶段的不连续性，并且会迷惑学

19、习机制。为了避免这些缺憾，先把历史数据预先处理。经过预处理算法之后的引申值称为股票特征。它其实是提供给L A M 夕助 叹网络的元数据。给定N天股票交易的历史数据，X=XI，兀，凡，X 柑 。我们观察到，在股票交易中 依据股票价格获得的回 报比它们实际的价格更可靠。我们把相关变化的利率表示如下:Ry(二，n)=矶一殊 八瑞(8)在这里，Y任(0，H，L，C，仍，并且m，。同样，在某段时间内的全部潜在的回报(O P R)也是一个重要的评判标准，因为高的O PR 在某种程度上预示着一个牛市，而一个低的或者负的O P R 则预示着一个熊市。给定一个从.日 开始、n日 结束的一段时期，我们把该段时期积

20、聚的全部潜在利润定义如下:1 5 24 系统评估 衡量一个系统性能好坏的准绳是精确性，换言之就是正确预测所占的 百分比。如果股票价格的升降能像L A 五 4-S T A R所预期的 那样，那么就认为该预测是正确的.解决问题的目 标是能够借助于预测算法而尽可能地获得更多的利润，因 此必须介绍一些利润标准来体现预测算法的性能。4.1 实验设备 本文所用到的股票数据是直接从雅虎金融网站下载的。给定N天的 股票数据，我们把整个数据集合分成两个连续但没有交集的 子集合。其中，一个用于训练过程，另外挖一个用于预测过程。除了在训练过程中只有一个链接权，而在预测过程中没有输出量外，训练过程和预测过程非常相似。

21、就象上文所描述的那样，我们在每一个交易日 使用L A 加 正 丁 A R来做预测。如果所预测的股票上涨，就用收盘价购买，并且在接下来的交易日 用开盘价卖出。相反，如果预测的股票下跌，就不发生任何交易。我们假定每一次交易都成功。为了便利，在本文没有考虑交易费用，并且假设每一次交易的投资金额都准确地定为1 0 0 0 0 美元。为了评估L A M S T A R的性能，我们定义了以下标准:首先，命中比 率凡 和成功比例R被定义来表示预测精确度。N凡二 尸 习石 Q U(众，Di)(1 1)1 一1NNR 一习众x 及/习岛(1 2)谊 二lj 一1 这里，石 Q U(。)函数是一个逻辑运算。在该函

22、 数里，有且只有当D 和D 具有相同 值时，输出 值为1;否则其输出值为0。全部利润户也是衡量L A M S T A R预测的重要标准。很明显，户的 性能取决于股票和市场行情。在牛市，股票价格保持增长，即使没有使用任何预测工具也能赚钱;相反，在熊市，股票价格持续下跌，即使拥有非常好的预测模型，我们也会亏钱。股票预测的主要目 的是在牛市增加全部利润，同时减少在熊市的 损失。因此，全部潜在利润P仅作参考，它是那些能够准确拟合真实股市数据的理想化预测方法所得出的最大利润。当然，到目 前为止，这种理想化的预测方法还不可能实现。4.2 实验结果 这里用插图表示三组实验结果，以验证 L A 为 巧 汀 A

23、 R网万方数据络模型的准确性和功能。每一个例子包含了几个月的股票数据，这段时期包括T2 0 0 4 年6 月1 日 至2 0 0 6 年8 月3 1日 的 训练阶段和2 004 年9 月日 至2 004 年n月30 日 的预测阶段。同时，还提供了相应的股票走势图和用 L A 人 S T A R完成的特征值表格。表1 和图3 是C D E 股票的结果(C o e urD 川ene 矿山公司，世界上最大、最主要的银矿开发公司，一个正在成长的低成本的 金矿开发公司).从中可以观察到，利用预测使得整体回 报率达到34.3 写.这个数据是非常令人满意的。5厂es ee 一二，一 一-一 一一 一一 一一

24、 一-一-一 一 一 甲二 一卫 4班，拿 J3Lee一司一一-“一 一一任 认 洲 住 从摊口 认 月 切月 月 任认)落 1 翔 冬(翔 月 1 1 洲 月!】丈 娜 1】润 刀 时间(月)图3 从2 0 0 4 年5 月到2 0 0 4 年1 1 月的C D E衰I C D E 股票的预测特征值的股票走势图%凡6 1.凡R:户P35 5.83 4.36 3.2 表2 和图4 是D E L L(D E L L 有限公司，一个高科技公司)股票的预测特征值的表示。结果表明，三个月投资得到一个相当 好的、高达5.61%的全部回报率，成功率高达股票特征。而且，解决这个间题的不同方法的性能比较也正在

25、进行中。参考文献:【l Wa l 哪k SAn E m 颐 ri cal A na】州。ofL 抽 t a R 阂ui reme nt，fo r F inan d a 1 FOrecast i 眼 初t hN eural N e t 明 叼 r ks J .J o u 川目of N 凶 帕 g e m e n t 玩f o r ll 切 t ion sys t 侧“口，2 0 0 1，1 7(4):2 0 3 一 2 2 2.2 G a t el yE N e u r 目N e t w o rk，for 药 nan d alFOre 恻 1 吧 M.N e wy o r k:Wil ey，1

26、9 9 6.3 R e f e n es入 N e u ral N e t 初r 助 int 玩 Qp 玉 曰 M az k e t s M.N ew york:那l e y，1 9 9 5.【4 K im o toT，A sa kawa K，Y 叼a M，etaL stock N 肠 r k e t P r 司卜 石 的 匀5 忱 m侧t bM团u l arN e u r 司N e t w o r k 口/P roc oft 城 I n t，I J o i n t(沁nf on N e u ral N e 七 荞。rks，1 9 9 0:1 一 5 M I Z u noH，KOsa kaM，

27、Y a 1 叮 以H，eta LA p p l i ca t ion o f N e u-ra l N e t wor ktoTec h n i cal A nal 外i s ofst ockMa r ket P r edi c-t io n，stu d i esinl n fo n 刀 a t i c a nd Con t rol，1 9 9 8，7(3):1 1 1 一 1 2 0.6 段嚣 t o n RS，肠rsey RE，J o h n son J D.T o war d G l o b a 1 OPt i“nuza t i o n o f N e u ra l N e t wor

28、k s:AC 冶 In p a ri son oft h e C 池 n e t i c Aigorit hm a nd Back p ro p a g a t ion【J .块d s ion sup p o rts y s t e l l l s，1 9 9 8，2 2(2):1 7 1 一 1 8 5.7 P h u a P KH，M i n g D，L in W.N e u ral N e t w o rkwit h Gen e t i c A I 即d t 知 叮 s F O r s t ock s P r 曰i c t i o n 口/P 双 祀o f t h e s t b Con

29、f ofthe A s soaat io n ofAs运，Pad 玩Q 阵r a t io n s R esea r c hS 义 1-e t i es，2 0 0 0.5 G ra u 伴D.外n d pl e s o f A r t i f i d alN e u 司N e two rk 汇 明.Si n-gap o r e:Wo r l d 豁e nti fi c Pub l i s h i 昭C 劝.Pt已L td，1 9 9 7:1 9 1-2 2 2.口 M 月 赶 试”自 认洲 印走 姆口 从”口 叭月 1 翻 刀】仪粥1】丈 脚!】兀 月时间(月)图4 D E L L 股票从2

30、 0 04年5 月至2 0 04年11月的走势图表Z D E LL 股票的预测特征值%凡R，户P5 3.2二5 7-15.6 11 4.6 图5 和表3 是W MT(沃尔玛)股票情况，在2 0 04年n月保持下跌，即使在这种情形下，L A M S T A R还是给出了高达2.76%的绝对全面回报率。夕 一 一-一 一一 一 万 一-一 一 一一 一一一一通 55(上接第1 3 4 页)参考文献:1 St u d e r R，Benj a n l i n s VR，Fen s e l D.K n o w】曰 g e E 略in 二 吨，P rind 讨 esandMe t h 浏，J.肠taa

31、n dK n o w l e d g e E n g i-n eeri n g，1 9 9 8，2 5(1 一 2):1 6 1 一 1 9 7.2 郝永平，王崇海.基于本体论的产品全过程知识共享研究 D .机械工程学报，2 0 0 2，1 2(3 9):1 2 份 1 3 0.3 Duin evel d AJ，承 以 e r R，Wei d e n MR，etaL W0 n d erT ool s?AC 劝 m p a r a t i vest u d y o f ont o I Ogi司 E 硒n ee 对 咯 T OOl s J .I n te rna t i o n a l j o u

32、 rna l o f H u n 班 州功m p u t erstu d i e s，2 0 0 0，2 5 (6):1 1 1 1 一 1 1 3 3.4 2 0 0 7 一 6 一 2 5 .H t t p:/p rot饱 S t a n fo 吐 Edu/i nde 兀 5 唐爱民.基于叙词表的领域本体构建研究 功.北京:中国国 防 科技信息中心，2 0 0 5.【6 郑中 义、杨丹主编.水上消防监督检查【M .大连:大连海事 大学出版社，1999.7 陈文贵.防火手册 M .上海:上海科学技术出 版社，1 9 91.M宝卑串Q 期 科 冶 以 价减 城 0 明 洲(职月 住 从 片 J洲1 1 尤 片 1】戒 日 时间(月)从2 o 04年5 月至n月的W MT股票走势图 表3 W MT股票的 预测特征值%洲5幻(图鱼51.凡R，户尸5 0。02.7 61 2。7 25 结束语 本文举例说明了L A M盯A R模型对短期股票预测的准确性和功效.目 前引进波状转换的研究正在进行中，以获取更多的1 5 3万方数据