水平窗口能量計算的股市趨勢預測算法

劉裕國，王 浩，姚宏亮，李俊照

合肥工業大學 計算機與信息學院，合肥 230009

水平窗口能量計算的股市趨勢預測算法

劉裕國，王 浩，姚宏亮，李俊照

合肥工業大學 計算機與信息學院，合肥 230009

水平趨勢持續時間短，方向變化的不確定性大，水平狀態下趨勢預測成為股市趨勢預測的難點。基于水平窗口的能量計算，提出一種水平窗口趨勢預測的BP神經網絡算法（WE-BPNN）。算法首先給出短線趨勢劃分標準，在此基礎上引入水平窗口定義；然后，通過對K線組合能量和均線組合能量進行量化計算，融合這兩種能量得到窗口能量；最后，將窗口能量引入到BP神經網絡預測窗口方向。由于能量對于趨勢的作用具有滯后性，存在能量蓄而不發的情況，會影響到趨勢判斷的準確性，因而在WE-BPNN算法的基礎上給出引入能量調節因子的BP神經網絡（EF-BPNN）算法，動態調整窗口能量因子對于趨勢預測的影響權重。在上證數據上的實驗結果表明，EF-BPNN算法具有更好的性能。

能量窗口；K線特征；BP神經網絡；水平趨勢

1 引言

股票市場高風險、高收益，吸引著廣大投資者參與。然而，股市是不確性的動態系統，且受到多種要素共同作用，因而股市態勢的有效預測是一個公開的難題。

當前，研究者主要從中長線趨勢角度研究股市的態勢變化。如：韓豫峰等人研究得出中國股市趨勢存在短期趨勢，而且就如同美國等發達國家成熟的股市一樣明顯，能從價格趨勢中能獲得顯著收益[1]；一般在較平穩的市場趨勢中，技術分析的作用較為顯著[2]。WU等人提出結合指標的趨勢投資決策模型，投資收益要優于其他的投資策略，但劃分的趨勢主要為中長線趨勢，回避了短期趨勢轉折點的預測[3]。然而，短線趨勢的不確定性更強，中長線趨勢預測方法難以用于短線趨勢預期。也有研究者對于股市短線趨勢預測問題進行了研究，如：Zhang提出一種基于模糊頻繁模式樹搜索方法預測短期趨勢[4]，但趨勢變化的內在原因并沒有分析，且特定的短線場景仍難以處理。

股市的K線特征，可以靈敏地反映股市的短線態勢特性。關于股市K線特征的主要工作有：Quan根據歷史上出現相類似的K線特征后次日出現漲跌情況，來預測股價走勢[5]；Hércules等人通過統計分析驗證了常見K線組合對于預測的有效性，但效果仍然欠佳[6]；Lee等人設計基于K線組合模式和規則的專家系統，以預測未來五種模式：下跌、上升、中性、走勢延續和趨勢反轉形態[7]。然而，當前的研究工作沒有對K線進行細致地量化，沒有分析K線的影響力，導致基于K線的股市預測算法效果不理想。

在短線趨勢預測中，水平趨勢持續時間短，方向變化的不確定性大，因而水平趨勢方向預測成為股市趨勢預測的難點。本文針對短線趨勢，研究水平窗口的趨勢變化問題。首先給出短線趨勢劃分方法和水平窗口生成方法；然后計算水平窗口中K線特征的能量，以及水平窗口中均線組合特征的能量；進而，將水平窗口中的K線能量和均線組合能量進行融合，得到水平窗口能量。最后，給出利用BP神經網絡[8-10]進行水平窗口趨勢方向預測的WE-BPNN算法。由于窗口能量存在蓄而不發的現象，會導致算法的誤判，因而在WE-BPNN算法的基礎上提出引入能量調節因子的BP神經網絡算法（BP Neural Networks with Energy Factors，EF-BPNN），EF-BPNN算法動態調整窗口能量因子對于趨勢預測的影響權重，以修正預測結果。在上證數據上的實驗結果表明，EF-BPNN算法具有更好的性能。

2 短期趨勢和水平窗口

2.1 短期趨勢劃分

在股市中，趨勢即一段具有共同價格波動特征的連續K線區間，趨勢可以理解為是一種股市價格波動的慣性力，分為上漲趨勢，下跌趨勢和水平趨勢。短期均線的斜率反映短期趨勢，中長期均線的斜率反映中長線趨勢。一般是短期均線先發生改變，進而帶動長期均線轉向。均線斜率的計算公式如下：

其中，MAni表示第i天的n日收盤價均價（即n日均線值，n一般取5、10、20、30或60），qsni表示第 i天的 n日均線(MAn)的斜率，endPi為第i個交易日的收盤價；m為計算均線斜率所取的兩點間距離。

基于短期均線斜率qs5和qs10來劃分短期趨勢劃分，具體劃分方法如下：

在公式（3）中，上漲趨勢記為1，下跌趨勢記為-1，水平趨勢記為0。

2.2 水平窗口

（1）短期水平趨勢與水平窗口

上證綜指自2004年10月1日至2010年2月8日，出現151次短線趨勢轉換，其中有146次水平趨勢轉成下跌或上漲趨勢，僅有5次上漲趨勢和下跌趨勢之間直接轉換，說明絕大部分的趨勢變換都會經過這樣一個水平趨勢過程。同時，上漲或下跌趨勢持續性強，一旦形成會較長時間持續原有的趨勢；而水平趨勢的持續性弱，且后市態勢可能變換的不確定性就很大，有三種趨勢方向：向上、水平、向下。

根據道氏理論思想，股票的變化表現為三種趨勢：主要趨勢、中期趨勢及短期趨勢。趨勢主要由新形成的底部和頂部的價格進行判斷，就主要趨勢中的上漲趨勢是底部逐漸抬高、頂部逐漸抬高的價格運行過程[11]。給出短線水平趨勢和水平窗口定義。

定義1短期水平趨勢：趨勢內收盤價相對N日前收盤價的漲跌幅總在一定的范圍內。當前交易日往前k個交易日前收盤價在當前收盤價1%左右時(5≤k≤10)，稱這k個交易日為一個水平趨勢中的窗口。在上漲趨勢或下跌趨勢中，會存在2～4日的水平震蕩，之后繼續持續原有趨勢，稱之為上漲或下跌趨勢的一部分。

定義2水平窗口：最近一個交易日處于短期水平趨勢之中，并且之前m個交易日內所有收盤價均在最近一個交易日收盤價一定范圍內。

圖1為水平窗口的選取示例，橫坐標為日期（分析周期為交易日），縱坐標為價格。其中K線（Candlestick）又稱蠟燭線，它是以每個分析周期的開盤價、最高價、最低價和收盤價繪制而成[12]。

（2）水平窗口的生成

水平窗口生成的過程如下：

步驟1輸入一段股指走勢。

步驟2從前往后遍歷，若當前收盤價和5日或6日前收盤價在1%范圍內，生成窗口，記錄窗口最后一個交易日ID，和窗口長度（窗口內交易日數），轉步驟3；否則繼續往后遍歷。

步驟3窗口延伸，從當前窗口最左側開始往前遍歷，若收盤價在窗口范圍內波動并且當前窗口長度小于窗口最大長度，則添加這個交易日到窗口內，即增加窗口長度，轉步驟3；否則窗口生成結束，轉步驟4。

圖1 水平窗口

步驟4記錄窗口信息，往后推3個交易日，轉步驟2，直到股指走勢遍歷完畢。

（3）水平窗口活躍度AC

窗口的活躍性主要體現在近期成交量變化率：

其中，dealN(i)為第i個交易日的成交量，AC具體的離散化值如表1所示。

表1 窗口活躍度離散化

3 基于窗口能量的神經網絡

3.1 K線能量計算

由于窗口是由K線組成，窗口內不同K線及K線組合表達了窗口的能量狀態。因而，在計算窗口能量之前，先要計算典型的K線能量，以下K線組合圖的坐標和圖1相同。

（1）連續小陰小陽特征。小陰小陽上漲下跌蓄勢，不出現明顯的改變原來大趨勢的跡象，是對前面的上漲或下跌趨勢的一個休整，之后繼續之前的運行方向，如圖2和圖3所示。連續的小陰小陽是指在5個交易日漲跌幅絕對值都在2%以內，并且10日均線和20日均線方向相同并有一定斜率；在這些約束下，連續小陰小陽的能量離散結果，如表2所示。

圖2 小陰小陽上漲蓄勢

圖3 小陰小陽下跌蓄勢

表2 連續小陰小陽能量

（2）大陰量特征。放大陰量，窗口內陰線最大成交量大于陽線最大成交量的1.2倍，并且收盤價在60日均線上方；滿足這兩個約束條件時，大陰量特征的能量為-1。

（3）放量價平特征。陰/陽線放量：一種蓄勢，價格發生明顯改變之前，放量的一方能量已明顯聚集，縮量的一方已明顯處于劣勢。K線放量是指近4交易日內2個陽線2個陰線，且一種平均量能高于另一種的1.08倍，30日均線方向與量能大的K線的方向相一致，且有一定斜率，且后2個交易日必須出現量能大的那一種K線；在這些約束下，放量價平的能量離散結果，如表3所示。

表3 放量價平能量

（4）抱線特征。近五個交易日，放量抱線并且不與當前趨勢相反，如圖4和圖5所示，放量抱線是指后一個K線實體完全包括了前一個或多個K線的所有價格區間。并且20日均線方向必須與后一種K線的方向一致或走平，且有一定斜率，并且后一種K線必須放量；在這些約束下，抱線的能量離散結果，如表4所示。

圖4 陽抱線

圖5 陰抱線

表4 抱線能量

（5）K線吞沒特征。K線吞沒，一種K線吞沒另一種K線：近兩個交易日收盤在大陰（或2連陰，跌幅〈-2%）前一個交易日收盤價之上，且近日陽線成交量高于陰線成交量，如圖6所示；近兩個交易日收盤在大陽（或2連陽，漲幅＞2%）前一個交易日收盤價之下，且近日陰線成交量高于陽線成交量，如圖7所示；在這些約束下，抱線的能量離散結果，如表5所示。

圖6 陽吞陰

圖7 陰吞陽

表5 K線吞沒能量

（6）放量大陰特征。放量K線，最后一個交易日大陰/陽放量（為近四天成交量最大），且60日均價在收盤價上/下方；在這些約束下，抱線的能量離散結果，如表6所示。

表6 放量K線能量

3.2 均線組合能量計算

均線方向和不同均線間的位置關系，對于股票趨勢的變化具有重要影響。同時均線組合也有能量性，均線組合能量大小決定了對于股票趨勢變化的影響程度。

均線方向、均線斜率、股票收盤價與均線間距離、均線間的位置關系等，是均線組合能量的主要要素。一般來說，均線斜率越大，當前收盤價離均線斜率越近，均線組合能量越大；當均線斜率絕對值較小或收盤價離均線較遠時，均線組合能量不明顯。根據2.1節中的均線斜率并結合均線相對收盤價位置（relative position）MA5,rp、MA10,rp、MA20,rp、MA30,rp、MA60,rp，計算均線組合能量。

其中，MA5i為第i交易日（包含當天）前5交易日收盤價均值，endPi為第i交易日收盤價，MA10,rp、MA20,rp等以此類推。

QS_energy均線組合能量計算公式：

以上計算優先考慮短期均線，如果均不在以上6種情況內，再考慮多頭排列與空頭排列兩種較為平緩的均線組合能量。

多頭排列：即短期均線在長期均線上方依次排列，且方向均向上。當 qs20＞30;qs30＞0;qs60＞0;MA20,rp＞MA30,rp;MA30,rp＞MA60,rp;MA30,rp＞-70時，QS_energy=0.6。

空頭排列：即短期均線在長期均線下方依次排列，且方向均向下。當qs20＜0;qs30＜-30;qs60＜0;MA20,rp＜MA30,rp;MA30,rp＜MA60,rp;MA30,rp＜70時，QS_energy=-0.6。

3.3 基于窗口能量的BP神經網絡算法

（1）窗口能量計算

定義3窗口能量，為窗口一段時間內向上向下的運動的內在動能，窗口能量為窗口內K線組合能量和均線組合能量的和，體現在近期價格漲跌的內因上。記為WE（Window Energy）。

其中，k值根據訓練案例中在K_energy和QS_energy均不為0的情況下的案例進行學習，保證在僅考慮WE一個因素時能達到全局最優。

（2）基于窗口能量的BP神經網絡算法

基于窗口能量的BP神經網絡（BP Neural Networks with Window Energy，WE-BPNN）算法的基本思想是：先對水平窗口內的K線組合能量進行計算，然后計算水平窗口位置的均線組合能量，進而將兩種能量融合為窗口能量，并結合窗口活躍度AC和均線斜率qs10、qs20、qs30和均線對收盤價的相對位置 MA10,rp、MA20,rp、MA30,rp離散化后的數值作為BP網絡的輸入。

算法過程可以描述為：

步驟1輸入一段股指走勢，包括4價2量以及均線數據。

步驟2按照2.1節中方法計算均線斜率qs5、qs10、qs20、qs30、qs60和3.2節中方法計算均線相對收盤價位置 MA5,rp、MA10,rp、MA20,rp、MA30,rp、MA60,rp，公式（2）中的 m 分別取值為1，2，2，3，5并根據公式（3）劃分短期趨勢并平滑。

步驟3并按2.2節中步驟生成水平窗口，并記錄短期5日內趨勢選擇T。

步驟4遍歷水平窗口內的K線特征，得出窗口的K線能量值K_energy。

步驟5根據3.2節中均線組合能量計算模型計算水平窗口近期交易日的均線組合能量。

步驟6通過3.3節中方法確定公式（7）中最優k值，并根據公式（7）計算窗口能量WE。

步驟7對步驟2計算qs10、qs20、qs30和 MA10,rp、MA20,rp、MA30,rp數值離散化處理，并計算當前窗口的活躍性指標AC并進行數值離散化。

步驟8將步驟6、步驟7計算得到的訓練樣本數據的 qs10、qs20、qs30、MA10,rp、MA20,rp、MA30,rp、AC 、WE值和T分別作為BP神經網絡的輸入和輸出進行學習，根據誤差對比確定合適的隱節點個數。

步驟9將測試樣本數據代入模型，輸出在WE-BPNN算法下水平窗口下短期走勢的預測值。

4 引入能量調節因子的BP神經網絡算法

由于能量對于趨勢的作用具有滯后性，存在能量蓄而不發的情況，會影響到趨勢判斷的準確性，因而在WE-BPNN算法的基礎上引入能量調節因子的BP神經網絡（BP Neural Networks with Energy Factors，EFBPNN）算法，動態調整窗口能量對于趨勢預測的影響權重，動態調整窗口能量對于趨勢預測算法的誤差函數的懲罰項。

目前處在水平位置，上漲能量積累夠了，不上漲保持水平趨勢；或者下跌能量積累夠了，不下跌保持水平趨勢，在實際中，這種情況出現的頻率是很高的，一般的BP算法學習這類案例之后會使降低對窗口能量的靈敏度，會嚴重影響算法的準確率。上漲蓄勢，卻下跌。現實中會存在這種情況，一般是極端情況，發生的頻率很低，不會影響到算法的總體效果。

4.1 引入能量調節因子

輸出層實際值Tk有三種取值：1、0、-1，預測值Ok為連續值。由于數據的對稱性，首先需要確定一個閥值m，并根據 -m和m將Ok劃分成三部分；實驗從0.1到0.9之間每隔0.05取17個值進行模擬，實驗表明m=0.5時預測值的劃分與實際值吻合度最高，達到74%。因而，映射關系函數可表示為：

對窗口能量WE（Window Energy）進行符號化離散處理：

對于能量蓄勢卻趨勢滯后的這類情況，取一個較小的能量調節因子；當預測趨勢與實際趨勢一致時，取一個中等的值；另外當預測趨勢與實際趨勢不一致時，能量調節因子取一個較大值。則代價函數取為：

能量調節因子 fmain()k取值條件為：

其中a＞b＞c。

然后通過用新的代價函數E′l分別對輸出層結點權值和隱層結點權值求導來修正權值，用代價函數對輸出層結點閾值和隱層結點閾值求導來修正閾值。

另外對于連續時間段內相鄰水平窗口相對能量不斷增大但卻仍未選擇趨勢方向的情況下，在對窗口能量符號化的同時，對算法輸出值增加一個能量蓄勢的修正值xz。

4.2 引入能量調節因子的BP神經網絡算法（EF-BPNN）

算法主要思想是：在WE-BPNN算法的基礎上引入能量調節因子的BP神經網絡（EF-BPNN）算法，動態調整窗口能量對于趨勢預測的影響權重。

引入能量調節因子的BP神經網絡算法（EF-BPNN）算法描述如下：

步驟1輸入一段股指走勢，包括4價2量以及均線數據。

步驟2按照2.1節中方法計算均線斜率qs5、qs10、qs20、qs30、qs60和3.2節中方法計算均線相對收盤價位置 MA5,rp、MA10,rp、MA20,rp、MA30,rp、MA60,rp，公式（2）中的 m 分別取值為1，2，2，3，5.并根據公式（3）劃分短期趨勢并平滑。

步驟3并按2.2節中步驟生成水平窗口，并記錄短期5日內趨勢選擇T。

步驟4遍歷水平窗口內的K線特征，得出窗口的K線能量值K_energy。

步驟5根據3.2節中均線組合能量計算模型計算水平窗口近期交易日的均線組合能量。

步驟6通過3.3節中方法確定公式（7）中最優k值，并根據公式（7）計算窗口能量WE。

步驟7對步驟2計算qs10、qs20、qs30和 MA10,rp、MA20,rp、MA30,rp數值離散化處理，并計算當前窗口的活躍性指標AC并進行數值離散化。

步驟8將步驟6、步驟7計算得到的訓練樣本數據的 qs10、qs20、qs30、MA10,rp、MA20,rp、MA30,rp、AC、WE值和T分別作為BP神經網絡的輸入和輸出進行學習，根據誤差對比確定合適的隱節點個數bn；再把實驗數據作為引入能量調節因子的BP神經網絡的輸入和輸出進行學習，隱節點個數取bn，根據誤差對比確定最優的能量調節因子中a、b、c的值。

步驟9將測試樣本數據代入模型，并對能量蓄勢但趨勢未變的情況下修正網絡的輸出值。輸出在EFBPNN算法下水平窗口下短期走勢的預測值。

5 實驗分析與比較

5.1 實驗數據來源

取上證指數2004年10月9日到2010年11月18日，1 000個交易日中出現的水平窗口共120個，作為學習樣本；2010年11月19日到2010年2月5日間300個交易日中出現的水平窗口共36個，作為測試樣本。

為消除輸入數據間數量級的差別，避免出現因變量數量級差別較大而造成模型預測誤差較大的現象，對輸入向量利用線性函數轉化法進行了歸一化處理。

5.2 性能指標

主要選取均方誤差（MSE）、平均絕對誤差（MAE）和命中率（Hit_rate）對神經網絡的預測結果進行度量。如公式（11）～（13）所示。

均方誤差MSE：

平均絕對誤差MAE：

n表示預測集的樣本個數，y是實際值，y′是預測值，MSE，MAE用來表示預測值偏離實際值的大小，值越小則偏離度越小，表明預測結果的精確度越高，Hit_rate用來表示趨勢預測的正確率，值越大表明預測結果對于趨勢的預測準確度越高。

命中率Hit_rate：

5.3 隱層個數與能量調節因子選取

經過大量實驗驗證，隱層為5個預測誤差最小，故采取8-5-1網絡結構，并在此基礎上，能量調節因子a=2，b=1，c=0.2的組合預測效果誤差更小。神經網絡學習速率η為0.05，最大迭代次數1 000，控制精度0.001。以下結果在此參數下訓練得出。

5.4 實驗結果對比分析

為體現窗口能量的有效性，添加兩組實驗，一組不考慮K線能量和均線組合能量，僅通過窗口所在的均線和量能情況通過BP神經網絡進行學習預測，記為BPNN算法；另一組未考慮均線組合能量的實驗，把K線能量代替窗口能量作為WE-BPNN算法的輸入，稱之為基于K線能量的BP神經網絡算法（KE-BPNN）。

圖8至圖11分別為BPNN、KE-BPNN、WE-BPNN、EF-BPNN算法的預測結果，從這些圖中可以看出以上算法預測值與實際值不吻合的預測點依次有22、17、13、9個。具體實驗結果對比如表7。

圖8 BPNN算法的預測結果

圖9 KE-BPNN算法的預測結果

圖10WE-BPNN算法的預測結果

圖11 EF-BPNN算法的預測結果

表7 實驗算法對比表

通過表7可知，相對于BPNN算法，KE-BPNN算法的命中率高且誤差要小，說明了引入K線能量的有效性。同時，從命中率和誤差角度，WE-BPNN算法性能優于KE-BPNN算法，說明進一步引入窗口能量能顯著提升算法性能。EF-BPNN算法性能優于WE-BPNN算法，表明能量調節因子的引入，能提升算法效果。

從圖12中可以看出本文的短線趨勢劃分相對實際走勢模擬得很好，從而也進一步說明了短線趨勢預測的重要性。本文的測試區間內的25個窗口轉上漲或下跌趨勢中，20個窗口的預測趨勢與未來5日趨勢相符，命中率80%；11個窗口繼續水平震蕩趨勢中，7個窗口的預測趨勢與未來5日趨勢相符，命中率64%；綜合命中率為75%，可以說明本文的EF-BPNN算法預測效果很好，尤其對于水平窗口轉為上漲或下跌趨勢的預測。

5.5 對比實驗

圖12 EF-BPNN算法預測趨勢圖

本文將EF-BPNN算法與股票狀態演示圖算法[14]做對比實驗，針對相同的分析區間，找出上證綜合指數在2010年1月4日至2011年9月30日區間中的所有水平窗口，使用EF-BPNN算法進行模擬，共有23組水平窗口做出趨勢轉折判斷。EF-BPNN趨勢預測的算法結果如圖13所示。表8左半部分為股票狀態演示圖算法在同一測試區間內的所有預測結果，右半部分為EFBPNN算法預測結果；其中，上漲趨勢記為1，下跌趨勢記為-1。

圖13 EF-BPNN算法趨勢預測圖

由表8可知股票狀態演示圖算法中的綜合識別效果一共發現12個趨勢轉折點，預測正確10個，命中率在83.3%。EF_BPNN算法一共發現了23個趨勢轉折點，覆蓋對比算法的所有轉折點；對于共同發現的趨勢轉折點，EF-BPNN算法預測準確率與對比算法相同，也為83.3%。然而，EF-BPNN算法所發現的總量為23個，比對比算法多出近一倍，23個的預測綜合命中率為82.6%。本文算法比對比算法能找到更多，且總體準確率基本不降低，從而體現EF-BPNN算法更為適用短期趨勢預測。同時，論文的相關工作已應用于宏大數據網（www.ihdsj.com）的股市智能預警系統中。

6 結束語

基于股市中趨勢轉化存在漸變性，提出基于短期均線斜率劃分當前短期趨勢的方法，基于對水平趨勢情況下的短期趨勢方向預測的問題，量化分析K線組合能量和均線組合能量，提出一種水平窗口趨勢預測的BP神經網絡算法（WE-BPNN）。針對能量對于趨勢的作用具有滯后性，在WE-BPNN算法的基礎上給出引入能量調節因子的BP神經網絡（EF-BPNN）算法，動態調整窗口能量因子對于趨勢預測的影響權重。

表8 算法預測對比結果

[1]韓豫峰，汪雄劍，周國富，等.中國股票市場是否存在趨勢?[J].金融研究，2014：152-163.

[2]李莎，李紅剛.股票市場中技術分析有效性的實證研究[J].北京師范大學學報：自然科學版，2009（2）：212-214.

[3]Wu C M，Chou S C，Liaw H T.A trend based investment decision approach using clustering and heuristic algorithm[J].Science China Information Sciences，2014，57（9）：1-14.

[4]Zhang D，Wu B，Hua X，et al.Forecasting short-term trends of stock markets based on fuzzy frequent pattern tree[M]//Advanced data mining and applications.Berlin Heidelberg：Springer，2010：611-617.

[5]Quan Z Y.Stock prediction by searching similar candlestick charts[C]//IEEE International Conference on Data Engineering Workshops，2013：322-325.

[6]Prado H A D，Ferneda E，Morais L C R，et al.On the effectiveness of candlestick chart analysis for the brazilian stock market[J].Procedia Computer Science，2013，22：1136-1145.

[7]Lee K H，Jo G S.Expert system for predicting stock market timing using a candlestick chart[J].Expert Systems with Applications，1999，16（4）：357-364.

[8]趙建，鄔永革.基于神經網絡的股市預測[J].計算機研究與發展，1996，33（9）：692-697.

[9]姜靜清，梁艷春，孫延風，等.引入收益因素的RBF神經網絡及其應用[J].吉林大學學報：信息科學版，2002，20（3）：68-72.

[10]曾明，魏衍.一種BP神經網絡改進算法的研究及應用[J].微計算機信息，2009（18）：193-195.

[11]Rhea R.The dow theory：An explanation of its development and an attempt to define its usefulness as an aid in speculation[M].[S.l.]：Fraser Publishing Company，1993.

[12]Lee C H L，Liaw Y C，Hsu L.Investment decision making by using fuzzy candlestick pattern and genetic algorithm[C]//2011 IEEE International Conference on Fuzzy Systems（FUZZ），2011：2696-2701.

[13]王浩，李國歡，姚宏亮，等.基于影響力計算模型的股票網絡社團劃分方法[J].計算機研究與發展，2014，51（10）：2137-2147.

[14]胡珉，孫瑜峰.基于狀態演化的股市變化趨勢可視化預測方法[J].計算機輔助設計與圖形學學報，2014，26（2）：302-313.

LIU Yuguo,WANG Hao,YAO Hongliang,LI Junzhao

School of Computer and Information,Hefei University of Technology,Hefei 230009,China

Stock market trend prediction algorithm based on energy calculation of horizontal window.Computer Engineering and Applications,2017,53（21）：225-232.

Horizontal trend lasts for a short time,and the uncertainty of its direction changes is huge,so it becomes hard to forecast the direction of horizontal condition’s trend in Stock Market trend prediction.Based on the energy calculation of Horizontal window,BP neural network algorithm（WE-BPNN）is presented for predicting Horizontal window trend.Firstly,the division standard for short-term trend is given,on the basis of which this paper comes up with definitions of horizontal window.Then,by calculating the energy of K-line combination and moving average combination,two types of energy are merged into window energy.At last,leading the window energy into the direction of BP neural network to predict window trend.Because of hysteresis of energy’s influences on the trend,there is a case that energy accumulated while trend not changes,it will affect the accuracy of the trend prediction.Thus,basing on WE-BPNN neural network algorithm energy regulator is led into BP neural network algorithm（EF-BPNN）,weights of window energy are dynamically adjusted for the trend prediction.On the Shanghai Stock’s data,the experimental results show that EF-BPNN algorithm has better performance.

energy window;K-line features;BP neural network;horizontal trend

A

TP399

10.3778/j.issn.1002-8331.1605-0258

國家自然科學基金（No.61175051，No.61175033）；國家重點基礎研究發展計劃（973計劃）（No.2013CB329604）。

劉裕國（1992—），男，碩士，主要研究方向為人工智能與知識工程；王浩（1962—），男，博士，教授，計算機學會高級會員，主要研究方向為人工智能；姚宏亮（1972—），男，博士，副教授，計算機學會會員，主要研究方向為人工智能和知識工程，E-mail：dmicyhl@163.com；李俊照（1975—），男，博士，講師，主要研究方向為機器學習與人工智能。

2016-05-18

2016-07-05

1002-8331（2017）21-0225-08

CNKI網絡優先出版：2016-12-14,http://www.cnki.net/kcms/detail/11.2127.TP.20161214.1122.004.html