基于時間序列預測的股票交易決策建議系統

蔣 倩 儀

(中南林業科技大學計算機與信息工程學院 湖南 長沙 410004)

基于時間序列預測的股票交易決策建議系統

蔣 倩 儀

(中南林業科技大學計算機與信息工程學院 湖南 長沙 410004)

對股票市場特征選擇的相關問題進行了研究和討論。根據震蕩盒理論提出一種新的適應于與機器學習相結合的交易邊界模型，通過結合基于距離的多核極限學習機(DBMK-ELM)與交易邊界模型，構建基于時間序列預測的股票交易決策建議系統，使得在股票交易中能穩定獲得較高的收益率并保持較低的投資風險。該系統可以快速地學習股市的歷史數據，以適應快速更新的股票價格變化模式。

時間序列預測 機器學習 交易邊界模型

0 引 言

目前，能幫助人們獲得豐厚投資回報的股票市場研究是投資金融領域的一個焦點問題。然而，由于股票市場本身是動態的、非線性的、無參的以及混沌的，對于股票價格時間序列的預測被認為是時間序列預測的各種應用中最優挑戰性的應用之一[1-4]。由于還沒有方法能夠高精度地預測出股票未來的價格，而適當的交易策略可以減小預測誤差帶來的風險，所以一個強大的交易策略對于股票價格預測的應用而言非常關鍵。一個好的股票時間序列預測結果結合適當的交易策略，就可以構造出基于時間序列預測的股票交易決策建議系統，為投資者在股票市場中的決策提供合理的建議。

股票的交易策略眾多，考慮到在基于機器學習的股票價格時間序列的應用中交易策略主要用途之一是消除預測誤差帶來的影響，所以在此合適的交易策略應該是能夠放松原來的預測問題使其對預測精度的要求減小。這種交易的策略中，典型的就是應用 Darvas 提出的震蕩盒理論[5]。該理論最基本的思想是股票價格在一段時間內將有一個確定的震蕩區間，即在這段時間內它能達到的最大值和最小值之間震蕩。而這一段震蕩的時間和價格區間構成的廣義空間稱之為震蕩盒。

本文對震蕩盒理論進行改造，在其基礎上提出了交易邊界模型，以適應與機器學習的結合。通過結合基于距離的多核極限學習機(DBMK-ELM)與交易邊界模型，構建基于時間序列預測的股票交易決策建議系統。具體而言，首先通過股票市場的歷史數據來訓練DBMK-ELM，并使用其預測股票在后續交易日中的價格；接著，基于一套規則來監測股票價格預測的準確性以及是否突破了交易邊界；最后，根據由交易邊界模型制定出的交易策略來做出交易決策。

1 相關工作

1.1 震蕩盒理論

震蕩盒理論是 Darvas 根據其長期在股市交易中的經驗提出的。該理論最基本的思想是股票價格在一段時間內將有一個確定的震蕩區間，即在這段時間內它能達到的最大值和最小值之間震蕩。假設在這一段時間內股票價格最大值所處的邊為盒子的頂部邊界，股票價格最小值所處的邊為盒子的底部邊界，時間段的起始點和終點所處的邊界分別為左邊界和右邊界，則在由這些邊界構成的盒子中，股票價格上下震蕩。因此 Darvas 在理論中稱之為震蕩盒。在震蕩盒中，若股票價格接近于底部邊界，則其有上漲的趨勢。反之，若股票價格接近于頂部邊界，則其有下降的趨勢。此外，當股票的價格突破盒子的頂部或底部邊界時，它將進入新的盒子并在其中開始新的震蕩。在圖1中展示了典型的震蕩盒的樣例，交易者在股票價格處于一個震蕩盒中靠近盒子底部邊界買入并在其靠近盒子頂部邊界時售出，將獲得豐厚的投資收益。然而，如何檢測出股票價格是否接近盒子的邊界并且是否不會突破邊界是需要豐富的實際經驗的，對一般投資者而言是一項挑戰性的工作。本文利用基于機器學習的時間序列預測方法來對盒子的邊界進行預測，并通過制定的規則來檢測股票價格是否有突破震蕩盒邊界的趨勢。希望通過自動化地學習股市交易模式，來減少投資者的投資風險并增加收益率。然而，這種結合存在著無法動態調整震蕩盒位置的問題，使得部分交易時機延誤。本文根據震蕩盒理論提出一種新的適應于與機器學習相結合的交易邊界模型，以此解決該問題。

圖1 震蕩盒樣例圖

1.2 灰色相關度

Deng首次提出了灰色相關度GCD(Grey Correlation Degree)這一特征相關度計算方法[6-9]。該方法在許多領域得到了大量的應用。該方法用兩個序列曲線幾何形狀的相似度來衡量兩個序列的相關性。兩個序列的幾何形狀越相似，則認為兩個序列的相關性越大。考慮有n個樣本中某一個特征構成的序列為F=[f1,f2,…,fn]以及樣本標簽構成的序列為T=[t1,t2,…,tn]，則GCD的計算公式為：

(1)

其中：

(2)

式中，ξ∈(0,1)是控制相似顯著程度的系數，通常設置為0.5。r(ti,fi) 是目標值T和特征F在點i出的灰色相關度。而r(T,F)則是目標值T和特征F整體的灰色相關度。

1.3 交易邊界模型

本文嘗試結合震蕩盒理論與機器學習，通過機器學習來判別股票形勢是否滿足震蕩盒理論的交易條件[11-12]。然而，這樣的嘗試面臨著震蕩盒的位置確定的問題，即如何動態調整震蕩盒的大小。如果使用大小固定的震蕩盒，則實際股票價格在所設置的震蕩盒中的位置可能滯后于其實際所在震蕩盒中的位置，這樣會影響交易的時機。例如，如果設置震蕩盒的寬度固定為 30 天，而實際股票在 10 天之后就已在一個新的更窄區間內震動(該區間包含在原震蕩區間中)，那么由于震蕩盒的邊界值固定為前 10 天的最大值和最小值，后20天的股價總無法接近盒子邊界，即使有適合交易的時機也不會產生新的交易。為了解決這一問題，本文在震蕩盒理論的基礎上提出了自動調整震蕩盒位置的交易邊界模型，取消了震蕩盒的寬度限制，僅僅保留震蕩盒的交易邊界。在交易邊界模型中，震蕩盒理論的交易邊界變化不再與時間相關，其交易邊界依據股票價格與現有交易邊界之間的差異來改變。若定義交易邊界模型中交易上邊界值為Boundaryupper，下邊界值為Boundarylower，當前股票價格為C，則邊界值的更新分別為：

(3)

(4)

式中，η是交易邊界的差異系數，該值根據股票價格震蕩的周期規律確定。當差異系數設置較小時，可以捕捉股票價格在較短時間較小振幅中的震蕩。當差異系數設置較大時，反映的是股票價格在較長時間較大振幅中的震蕩。

2 股票交易決策建議系統

2.1 系統結構

本文提出的基于時間序列預測的股票交易決策建議系統結構如圖2所示，主要由如下三部分組成。第一個部分是數據預處理部分，其中包括提取數據特征值、對關鍵特征進行選擇以及計算各個特征的灰色相關度并對根據該值對特征進行加權處理；第二個部分是基于機器學習的股票價格時間序列預測部分，主要利用DBMK-ELM來學習股市歷史數據的模式，并且對震蕩盒在下一個時間階段的上下邊界進行預測；最后一個部分是交易策略部分，在上一部分預測值的基礎上依據基于震蕩盒模型的交易策略進行分析判斷，最終做出交易決策。

圖2 基于時間序列預測的股票交易決策建議系統結構圖

2.2 數據預處理

數據預處理作為本系統的第一個部分有著直觀重要的作用，其目標是提取并選擇合適的股市特征，進而對這些特征進行加權處理后以便在系統后續的基于機器學習的股票價格時間序列預測部分使用[13-14]。顯然，特征對機器學習來說至關重要，一組好的特征會大大提高基于機器學習的時間序列預測精度，相反一組不合適的特征甚至會導致錯誤的預測結果。系統可以從股票市場中獲取的原始數據包括每只股票歷史上每一日的開盤價、最高價、最低價、收盤價、成交量。在本系統中使用股票的收盤價作為當天股票的價格使用，也是股票價格時間序列需要預測的值。這是因為股票的收盤價是一個股票在當天眾多投資者博弈后的最終結果，對于預測和分析股票價格未來的走勢具有指導意義。同時收盤價也是一天中波動的股票價格最終的確定值，是一種通用的衡量每日股票價格的指標值，股票的大多數經濟學指標也都是通過歷史收盤價計算而來。對于單一股票而言，只用上述五維特征對于未來價格預測不夠充分，因為時間序列的走勢并不是單純的依賴于前一個狀態，而是前多個狀態導致的綜合結果。例如，股市中股票價格在大幅度上漲之前，往往會在一個低價位持續多天震蕩，以讓莊家獲得足夠多的低價籌碼從而在拉升上漲后獲利。因此，需要通過多日的數據來提取某一日的股市特征。本系統除了使用了上述五維基本特征外還使用了股市中常用的幾個經濟學直指標來構建包含有多日股票價格信息的特征。具體而言，這些指標為移動平均線指標MA(MovingAverage)，變動速率指標ROC(RateofChange)，相對強弱指標RSI(RelativeStrengthIndex)，慢速隨機擺動指標(SlowStochasticOscillator)。其中慢速隨機擺動指標中包括三個指標：SLOWK，SLOWD，FASTK。本文關注于時間序列預測技術在股票市場中的應用，上述指標的含義以及計算方法可參考計量經濟學[10]中的相關內容，在本文中不再詳述。同時，考慮到結合震蕩盒模型后，本系統的預測目標是股票價格時間序列在后一時間階段所處的盒子邊界，因此在前一個時間階段股票價格時間序列所處的盒子的上下量邊界同樣也被提取為特征。本系統使用股票在未來n天中的最高價Upi和最低價Lowi作為第i天的股價所處的未來的震蕩盒的邊界值，即式(5)：

Upi=max(Ci+1,Ci+2,…,Ci+n)Lowi=min(Ci+1,Ci+2,…,Ci+n)

(5)

股票第i天價格所處的之前的震蕩盒的邊界值為前n天的最高價UpHistoryi和最低價LowHistoryi，即式(6)：

UpHistoryi=max(Ci-n,Ci-n-1,…,Ci-1)LowHistoryi=min(Ci-n,Ci-n-1,…,Ci-1)

(6)

其中Ci表示股票在第i天的收盤價。由于經濟學指標的計算與所選取的時間參數相關，參數不同可以導致不同的指標。在通常情況下，指標的時間參數是根據經驗來確定的。但是一方面由于這些經驗需要大量的積累，不是所有投資者都具備的。另一方面，根據經驗選取的參數并不一定能取得最優的結果。因此，本系統中采用的方式是先使用不同時間參數生成大量的指標，然后使用特征選擇的方法，讓系統自適應地選出合適的指標。通過這樣的方式選取的指標特征被用于系統下一步的預測之中。選出所需的特征后，為了進一步體現特征的重要程度，提升重要特征的作用，本系統為每一維特征計算其與預測結果的灰色相關度。在后續的預測中，對每一維特征使用其灰色相關度加權處理后再作為輸入特征進行預測。

2.3 時間序列預測

在時間序列的預測上，本系統基于前Dtraining的股票歷史數據來預測后D天的股票價格。在此，也稱為股票時間序列預測的滑動窗口大小為Dtraining+D。采用這種方法進行預測是由于股票交易模式在不同時期內是變化的，在滑動窗口內學習到的交易模式用于滑動窗口中的數據預測被認為是可靠的，但超出這個范圍的預測則被認為是不可靠的。該窗口的大小也是影響預測準確率的關鍵因素之一，在本文實驗部分將進行討論。采用滑動窗口方法對股票價格進行預測，就要求每過一段時間就需要預測器重新學習股票模式，這對預測器的訓練時間提出了要求。本系統采用了快速多核學習方法DBMK-ELM來作為預測器對股票價格進行預測，以滿足精度和訓練速度的雙重要求。

2.4 快速多核學習方法

本文提出了一種全新的基于多核的極限學習機ELM(ExtremeLearningMachine)方法，稱為基于距離的多核極限學習機DBMK-ELM(DistanceBasedMultipleKernelExtremeLearningMachine)[15-16]。該方法是一種快速的兩步多核學習方法，并且可以同時適用于分類和回歸問題。第一步，DBMK-ELM首先通過根據訓練樣本預生成的基核矩陣來尋找基核的組合系數。它首先將原始的基核投影到一個新的空間并且基于原始訓練樣本的距離在新空間中構造新的訓練樣本；然后它將多核學習的問題轉化為一種回歸問題并通過最小二乘方法求解；最后它依據學習到的基核組合系數構造新的核。第二步，DBMK-ELM將第一步中學習到的新核應用于基于核的ELM之中。本文提出的DBMK-ELM方法具有如下的優越性能：(1)DBML-ELM與傳統的多核學習方法相比具有極快的訓練速度；(2)DBMK-ELM可以充分利用多源數據并且在分類和回歸的精度上優于之前的多核學習方法；(3)DBMK-ELM在分類和歸回問題上較傳統的基于核的ELM有更好的魯棒性與更高的精度。

2.5 交易策略

本系統采用由震蕩盒理論改進的交易邊界模型來制定交易策略。當時間序列預測的階段得到了股票價格未來的預測值時，首先檢測該預測值的預測誤差是否在可接受范圍。檢測的依據是股票市場中單只股票每日的漲幅和跌幅均在10%以內。所以，設定一個小于10%的誤差控制參數σ，當預測值與當日股票價格的差價與當日股票價格的比例小于σ時則認為預測值是可靠的，繼續后續操作。否則認為預測值不可靠，當日不進行交易。通過該方法，有效地控制了預測誤易的類型為買入時，系統檢測預測的股票價格是否接近交易邊界且為上升趨勢，即預測的股票價格大于當日的股票價格，若滿足該條件，則給出買入建議。當等待交易的類型為售出時，系統檢測預測的股票價格是否接近交易邊界且為下降趨勢，即預測的股票價格小于當日的股票價格，若滿足該條件，則給出售出建議。

與此同時，為了控制預測誤差以及市場不確定性導致的虧損額度，本系統設置了止損參數θ，當虧損比例大于θ時，則給出售出建議。在交易之中，為了保證每次交易的收益率，系統設置了期望收益參數φ，表示了每次交易期望收益的最小比例值，只有在收益比例大于φ時系統才會給出售出建議。在股票市場中，莊家常常在大筆售出之前為了拉高股票價格以謀取更多利益，往往制造股票價格將要繼續增長的態勢，然后在一個股票的高價位拋售大量股票導致股價下跌。為了防止本系統在這種情況下買入股票從而被市場套牢，本系統還設置了一個風險控制參數φ，只有在當日股價低于前一次交易價格的比例大于φ時，系統才給出買入建議。系統的交易策略如算法1所示。

算法1 股票交易決策建議系統交易策略

1: if 等待交易類型 == 買入 then

2： if (|C-BoundaryCupper|6 σ ∨|C-BoundaryClower|6 σ) ∧ (Cpre-C) > 0 then

3： if Pricesell - Ci> φ then

4： 買入,Pricebuy= C

5： 等待交易類型 = 售出

6： end if

7： end if8： else if (|C-Boundaryupper|6 σ ∨|C-BoundaryClower|6 σ) ∧ (Cpre-C) > 0 then

9： if C-Pricebuy> φ then

10： 售出,Pricesell=C

11： 等待交易類型 = 買入

12： end if

13： if PricePricebuy-C>θ then

14： 售出,Pricesell=C

15： 等待交易類型 = 買入

16： end if

17： end if

3 實驗測評

本節通過大量實驗來驗證本系統在現實股票市場中的適應性和高效性。實驗采用模擬市場交易的形式進行，即在真實的股票歷史數據上使用本系統進行每一日的模擬交易，在一定交易日后檢驗系統的交易情況。為了達到全面分析的目的，實驗測試中覆蓋了各種基本股市走勢，包括上漲的牛市，下跌的熊市以及震蕩的股市等。實驗分析了本系統在股票市場中的平均年化收益率，并討論和檢驗了系統中相關參數設置的問題。

3.1 數據集

本節實驗采用的數據為真實股票市場中的歷史數據。為了使實驗反映整個股票市場的特點，實驗所采用的股票采用能代表整個股票市場的股票市場指標中包含的股票。具體來說，采用的是標準普爾500 指標(S&P500)中包含的股票。由于 S&P500 指標中覆蓋的股票是隨著股票發行公司的實際發展情況而變化的，每一個時間段其覆蓋的股票略有不同。本實驗中采用了其中長期穩定的 382 只股票進行測試。所用的數據均從雅虎經濟網站直接下載[17]。下載的原始數據包括每只股票每一日的開盤價、最高價、最低價、收盤價、成交量、向后除權值等信息。

3.2 參數設置及性能測度

在本實驗中，模擬交易的初始資金設置為＄10 000。在每一次買入交易中，使用所有可用資金買入股票。在每一次賣出交易中，售出所有持有股票換取資金。在最后一個模擬交易日，售出所有仍持有的股票換取資金。為了模擬真實的交易場景，每一次交易都會產生一筆傭金，本實驗中的傭金設置與真實市場相同為0.3%。實驗中交易邊界的差異系數η設置為 0.05，期望的收益參數φ設置為 0.2，止損參數θ設置為 0.1，交易風險控制參數φ設置為-0.05。在本系統中使用特征選擇方法時所選取的特征數設置為200，使用DBMK-ELM時所使用的正則化參數設置為108。其余參數的設置是本實驗中需要詳細討論和檢驗的部分，這些參數包括訓練天數Dtraining，誤差控制參數σ，所設置的值在后文中將詳細給出。為了檢驗本系統的效果，最為直接的性能測度指標就是在市場交易中的收益率。給定初始資本總額Y0以及交易結束后的資本總額Y，收益率R計算公式如式(7)：

(7)

為了對比不同交易時長的收益情況并更為直觀地展示本系統的收益情況，在本文中將收益率轉化為年化收益率進行比較。對于給定的交易時長D天，以及交易的收益率R，該交易的年化收益率Ryear計算如式(8)：

(8)

同時，實驗還檢驗了市場與系統的盈虧比例，以此證明本系統不但能獲取較高收益，同時相對于市場來說具有較低的投資風險。這一性質在實際操作中對于投資者具有重要的意義，對于保守型投資者來說，較低的投資風險往往比較高的收益率更為重要。

3.3 實驗結果

在本文中，應用基于機器學習的時間序列預測關鍵技術構造了一個股票自動決策系統。該系統采用智能選取的股票時間序列關鍵特征，并采用快速多核學習的方法對多源特征進行融合，結合多核極限學習機以及震蕩盒理論對股票序列進行預測與決策。在實驗中，選取了標普500(S&P)中的382只股票進行了交易測試,在下面預測出的實驗結果表明，本文構建的決策系統是可以幫助人們獲得豐厚投資回報的，進而說明了本文研究關鍵技術成果的有效性和實用性。

3.3.1 典型股票走勢下的實驗結果

本節展示了典型股票走勢下本系統的預測結果，包括震蕩上漲、震蕩下跌、完全上漲、完全下跌等4種股票走勢情況。震蕩上漲走勢下的系統交易情況如圖3所示。交易的股票為JOY，系統獲得年化收益率為186.91%，同期市場的收益率為89.55%。系統的收益率比市場高出了97.36%。

圖3 震蕩上漲走勢交易情況示例圖

震蕩下跌走勢下的系統交易情況如圖4所示。交易的股票為STT，系統獲得年化收益率為25.79%，而同期市場虧損了3.68%。系統的收益率比市場高出了29.47%。這是由于系統回避了股價下跌的區間，在股價接近交易邊界且有上升趨勢時才進行買入交易，所以即便在震蕩下跌的走勢下也可以通過撲捉震蕩的邊界來獲利。

圖4 震蕩下跌走勢交易情況示例圖

完全上漲走勢下的系統交易情況如圖5所示。交易的股票為ISRG，系統獲得年化收益率為169.85%，同期市場的收益率為122.40%。系統的收益率比市場高出了47.45%。由于完全上漲走勢時，股票價格震蕩不大，所以系統的收益雖然高于市場收益，但是相差程度小于震蕩上漲時的差異。

圖5 完全上升走勢交易情況示例圖

完全下跌走勢下的系統交易情況如圖6所示。交易的股票為SBUX，系統在該情況下年化虧損了33.22%，同期市場的年化虧損率為82.22%。系統較之市場減小虧損達到了49%。從圖中可以看出，在這種情況下系統在股價接近一個交易邊界的下界時買入，但是由于沒有達到期望的收益比例故系統沒有選擇售出而是繼續持有，這就被下跌的股市套牢，但是由于止損率的設置，當損失超過10%時售出了股票，減小了損失。

圖6 完全下跌走勢交易情況示例圖

3.3.2 平均收益率檢驗

為了檢驗本系統在股票市場中的平均收益率以及投資風險，實驗選取了S&P500中的382只股票進行了測試，測試時間長度為120 天，訓練天數為240天，誤差控制參數σ為0.04，其余參數如上文設置。系統的年化收益率以及盈虧比例如表1所示。本實驗中針對所有測試股票系統所有的參數固定不變，這僅僅是為了檢驗系統的平均收益情況。實際應用中，各個參數可以根據每一只股票的特點優化調整參數，以取得更好的收益。例如，在股市行情較好時增大期望收益參數以獲取更大利益，而在股市行情震蕩或不好時減小該參數以避免套牢情況出現。

表1 股票交易決策建議系統在382只S&P500股票上交易120天收益及盈虧比例

3.3.3 機器學習訓練天數設置檢驗

由于每一只股票在不同時期內的交易模式不斷改變，所以從股票時間序列中較早的數據中學到的模式用于時間序列的預測往往會帶來很大的誤差。因此選擇合適的訓練天數對于準確地預測股票價格時間序列來說尤為重要。在本實驗中，將訓練天數按照測試天數的1至5倍長度分別設置，測試在120天中系統在382只股票上的平均收益情況。實驗結果如圖7所示。實驗結果顯示，在訓練天數為測試天數2倍即240天時系統獲取的收益率最高。

圖7 機器學習訓練天數與測試天數比例不同情況下股票交易決策建議系統平均年化收益率

3.3.4 誤差控制參數設置檢驗

如上文所述，基于機器學習的時間序列預測方法能較為準確地預測出時間序列的未來值。但是對于股票時間序列預測來說，由于受到諸多不確定因素的影響，誤差是不可避免的，同時股票交易又對誤差非常敏感。所以，如何有效減小預測誤差對交易決策的不良影響也是十分關鍵的一個問題。本系統依據股票價格變化本身的規則來制定誤差控制參數，準確地排除了預測誤差過大的結果，有效地減小了預測誤差給交易決策帶來的影響。但是，誤差控制參數本身的設置也是需要討論的。如果該參數設置過小，雖然可以排除大多數預測誤差較大的情況，但是這同時放棄了在可能第二天漲幅較大時提前買入的機會。如果該參數設置過大，雖然可以在第二天有較大漲幅時提前買入從而獲得更多利潤，但是同時也引入了更多的預測誤差，使得整體的錯誤決策風險增加。本實驗分別在誤差控制參數設置為 {0.1,0.2,…,1.0}，訓練天數設置為240天，其余參數如上文所設置時進行測試，檢驗系統的平均年化收益率。實驗結果如圖8所示。從圖中可以看出，當誤差控制參數設置為0.3時，系統的平均年化收益率最高。

圖8 風險控制參數不同情況下股票交易決策建議系統平均年化收益率

3.3.5 最高值預測結果誤差對比

根據模型的預測結果，通過平均絕對誤差MAE、均方誤差MSE、平均絕對百分比誤差MAPE和平方百分比誤差MSPE對預測結果進行誤差分析。運用傳統的震蕩盒理論和傳統預測方法對標普500(S&P)中的選取的4只(JOY、STT、ISRG、SBUX)股票進行最高值預測的結果誤差分析，同時與基于時間序列預測DBMK-ELM預測結果誤差進行對比,如表2所示。

表2 “DBMK-ELM”和傳統震蕩盒的最高價預測結果誤差對比率

通過對表2最高值預測結果誤差對比進行分析，我們可以看出：從個股來看，用各種方法對最高值進行預測的結果誤差都表現出改進后的DBMK-ELM的誤差最小。從各板塊的股票上看，傳統預測方法誤差較大且不穩定，而標準震蕩盒最高值預測誤差比傳統預測的誤差小，但卻不及改進后的DBMK-ELM股票價格預測誤差小。因此，基于時間序列DBMK-ELM預測最高值的結果誤差基本都是最小的，能比較合理地預測股票價格。

4 結 語

本文將基于時間序列預測的關鍵技術應用于商業智能模型之中，構建了一個股票交易決策建議系統。該系統結合了時間序列預測方法、快速多核學習方法以及交易邊界模型，使得系統在股票市場交易中能夠給出合理、可靠、高收益、低風險的決策建議，并且具有極高的訓練速度，能夠滿足實際股票市場的需求。注意到對于某些股票本系統獲得的收益率遠高于系統獲取的平均收益率，在今后的研究中，將重點關注如何用聚類以及半監督學習技術選擇出對于本系統具有交易潛力的股票，以使得收益率進一步提高。

[1] Karazmodeh M,Nasiri S,Hashemi S M.Stock price forecasting using support vector machines and improved particle swarm optimization[J].Journal of Automation and Control Engineering,2013,1(2).

[2] Zhang X,Fuehres H,Gloor P A.Predicting asset value through twitter buzz[M].Advances in Collective Intelligence 2011.Springer,2012:23-34.

[3]HsuSH,HsiehJ,ChihTC,etal.Atwo-stagearchitectureforstockpriceforecastingbyintegratingself-organizingmapandsupportvectorregression[J].ExpertSystemswithApplications,2009,36(4):7947-7951.

[4]ChangPC,FanCY.AhybridsystemintegratingawaveletandTSKfuzzyrulesforstockpriceforecasting[J].IEEETransactionsonSystems,Man,andCybernetics,PartC:ApplicationsandReviews,2008,38(6):802-815.

[5]DarvasN.HowImadetwomilliondollarsinthestockmarket[M].LyleStuart,1986.

[6]JuLongD.Controlproblemsofgreysystems[J].Systems&ControlLetters,1982,1(5):288-294.

[7]ZhangSF,LiuSY.AGRA-basedintuitionisticfuzzymulti-criteriagroupdecisionmakingmethodforpersonnelselection[J].ExpertSystemswithApplications,2011,38(9):11401-11405.

[8]LiuHC,LiuL,BianQH,etal.Failuremodeandeffectsanalysisusingfuzzyevidentialreasoningapproachandgreytheory[J].ExpertSystemswithApplications,2011,38(4):4403-4415.

[9]WeiG.Greyrelationalanalysismodelfordynamichybridmultipleattributedecisionmaking[J].Knowledge-BasedSystems,2011,24(5):672-679.

[10]PringMJ.Technicalanalysisexplained:Thesuccessfulinvestor’sguidetospottinginvestmenttrendsandturningpoints[M].McGraw-HillNew-York,1991.

[11] 鄭毅,朱成璋.基于深度信念網絡的PM2.5預測 [J].山東大學學報(工學版),2014,44(6):19-25.

[12] 鄭毅,彭燦,朱成璋.一種改進的TF-IDF中文網頁分類特征提取方法[C]//中國計算機應用大會,2014.

[13] 張海勤,蔡慶生.基于小波變換的時間序列相似模式匹配[J].計算機學報,2003,26(3):373-377.

[14] 任芳.時間序列數據挖掘研究[D].大連:遼寧師范大學,2010.

[15] 羅鳳曼.時間序列預測模型及其算法研究[D].成都:四川大學,2006.

[16] 王麗娜,肖冬榮.基于ARMA模型的經濟非平穩時間序列的預測分析[J].武漢理工大學學報(交通科學與工程版),2004,28(1):133-136.

[17]http://finance.yahoo.com.

SUGGESTION SYSTEM FOR STOCK TRANSACTION DECISION BASED ON TIME SERIES PREDICTION

Jiang Qianyi

(CollegeofComputerScienceandInformationTechnology,CentralSouthUniversityofForestryandTechnology,Changsha410004,Hunan,China)

On issues related to the stock market feature selection were studied and discussed, a new transaction boundary model which is adapted to combine with machine learning based on the theory of shock boxes is proposed by combining multi-core Extreme Learning Machine (DBMK-ELM) based on the distance with the transaction boundary model. Construction of the suggestion system for stock transaction decision based on time series prediction enables the stock markets to get higher yields, stabilize and maintain a low investment risk. The system can quickly learn the history of stock market data in order to adapt to the rapid changes in the stock price update mode.

Time series prediction Machine learning Transaction boundary model

2016-01-10。2016年度湖南省教育廳科學研究項目(16C1658)。蔣倩儀，講師，主研領域：數據挖掘，機器學習。

TP391

A

10.3969/j.issn.1000-386x.2017.04.014