一種基于麻雀搜索算法的改進極限學習機股票預測

裴均珂

摘要：股票的價格受多種因素影響，為提高股票價格的預測精度，本文提出一種基于麻雀搜索算法的改進極限學習機的預測方法。根據股票市場相關指標，利用TSLA的股票數據資料，運用MATLAB軟件進行仿真實驗，并將SSA-ELM算法的仿真結果與ELM算法的仿真結果進行比較。結果表明：改進的算法模型預測誤差較小，預測精度較高，能夠在一定程度上反映股票價格波動趨勢。

關鍵詞：麻雀搜索算法;極限學習機;股票預測

1.引言

股票交易市場在中國金融市場中發揮著重要作用，股票市場的預測結果可以作為投資者獲利和規避風險的重要參數，同時也能為監管者穩定股市提供思路，因此學者們希望通過科學的方法，得到股價的波動規律。

股價大多是很難處理的海量數據，傳統的預測方法無法分析關鍵信息，要想進行更好的預測，需要考慮非線性的股票預測方法。鹿天宇等[1]提出一種主成分分析與神經網絡進行組合的模型，進一步提高求解精度。季闊[2]改進了權值公式，同時對算法進行改進，在一定程度上解決了容易陷入局部最優的問題。郭怡然，王秀麗[3]引入了遺傳算法對神經網絡模型進行改進，但是所選取的指標數量相對較少。Zhang等[4]將LSTM作為生成器，MLP作為判別器對股票預測模型進行改進，得到的結果錯誤率較少，然而，當采用MLP作為判別器時，深層次的神經網絡容易導致分類的準確性降低。

為此本文提出一種基于麻雀搜索算法的改進極限學習機股票預測模型，利用麻雀搜索算法[5]對初始權值和閾值進行優化，構建了基于麻雀搜索算法優化極限學習機的預測模型，并選擇股票數據相關指標，結合TSLA歷史數據進行回歸預測和分析。

2.麻雀搜索算法和極限學習機

2.1極限學習機

極限學習機網絡模型由三部分組成，即輸入層、隱含層與輸出層，層與層神經元之間全相連。主要步驟如下：

（1）確定隱含層神經元個數，隨機初始化輸入層與隱含層之間的連接權值w和隱含層神經元的閾值a;

（2）選用Sig作為隱含層激活函數，計算隱含層輸出矩陣H;

（3）計算輸出層權值，T是期望的輸出向量：。

2.2麻雀搜索算法

麻雀搜索算法是受到麻雀覓食行為的啟發，主要過程包括初始化種群;發現者位置更新;加入者位置更新;預警者位置更新;適應度值更新。

3.基于麻雀搜索算法優化的極限學習機

首先將數據分成訓練集和數據集，利用麻雀搜索算法優化ELM隨機給定的初始權值和閾值。訓練集誤差的損失函數作為適應度函數：

優化后的最佳初始權值和閾值用于網絡訓練和測試數據集。具體步驟如下：

（1）初始化參數;

（2）進行ELM訓練獲取均方誤差作為麻雀種群的適應度值;

（3）計算每只麻雀的適應度值，找出當前全局最優適應度值及對應的位置;

（4）更新麻雀種群位置;

（5）更新最優麻雀位置和最優的適應度值;

（6）判斷是否達到終止條件;

（7）若已經達到終止條件，獲取優化后的相關參數;若沒有達到終止條件，則繼續進行迭代;

（8）進行ELM仿真測試。

4.仿真實驗與結果分析

本節采用MATLAB 2016a仿真軟件，基于Intel core i5-7200U @2.50GHz雙核處理器，64位win10系統完成算法的設計。

4.1樣本數據選取

本文選取2010年6月29日到2018年9月28日的TSLA股票日數據進行研究。選取最高價、最低價、開盤價、收盤價和成交量5個指標進行觀察，其中收盤價作為輸出數據，其余作為輸入數據。

4.2結果分析

為了驗證SSA-ELM模型對于股票指數的預測能力，本文將麻雀算法優化后的SSA-ELM與基礎ELM進行了比較，前1978天的數據作為訓練數據，后101天的數據作為測試數據。實驗結果表明ELM對于結果預測來說有一定的準確性，但是相比來說，SSA-ELM對結果的預測更為準確。另外SSA-ELM的輸出絕對誤差大部分都在之間，而ELM的絕對誤差較為明顯，故改進的算法預測結果具有一定的可靠性。同樣從SSA-ELM的收斂曲線可知，最終的適應度函數最優值在左右，且顯示收斂速度較快，表明SSA-ELM模型具有有著較好的收斂速度和訓練精度。

ELM試驗結果測試集MSE誤差為3.7853，SSA-ELM試驗結果測試集MSE誤差為2.9708，這表明SSA-ELM收斂結果精確，具有更高的穩定性，在股市預測上取得了良好的效果。

5.結論

針對ELM回歸模型的不穩定性和股票價格的波動性等問題，提出了一種SSA-ELM的預測方法，并用TSLA數據進行了驗證，可以得到以下結論：

（1）預測結果表明：改進的算法收斂速度更快，訓練精度更高，誤差更小，降低了后期陷入局部最優的可能性，有助于獲得全局最優，具有較高的實用價值。

（2）SSA-ELM模型通過TSLA的股票歷史數據進行收盤價預測，雖然結果具有一定的可靠性，但是預測精度不是很高，為了提高結果準確性，可以考慮通過改進算法來減少誤差值。另外，本文只從收盤價、開盤價、最高價、最低價和交易量5個指標數據進行股票預測，指標數量較少，下一步可以繼續進行完善指標，提高正確率。

參考文獻

[1]鹿天宇，都萊娜，王海遠等.基于主成分分析與神經網絡組合的股價變化趨勢預測[J].電腦知識與技術，2019，15（06）：170-172+177.

[2]季闊. 基于BP神經網絡的股票價格走勢預測[D].鄭州大學，2018.

[3]郭怡然，王秀利.基于BP神經網絡的股市大小盤風格輪動預測[J].計算機仿真，2019，36（03）：239-242.

[4]Zhang K， Zhong G， Dong J ， et al. Stock market prediction based on generative adversarial network[J]. Procedia Computer science，2019，147：400-406.

[5]Xue J， Shen B. A novel swarm intelligence optimization approach： sparrow search algorithm[J]. Systems Science and Control Engineering An Open Access Journal， 2020， 8.