[发明专利]一种基于智能融合计算的股票走势分类预测方法

说明书

本发明公开了本发明对目标时间段内目标股票的完备数据集内的数据采用等距离离散化算法及一维K‑Means聚类离散化算法对数据集进行离散化预处理，之后进行技术指标的属性约简，采用朴素贝叶斯分类器和K‑近邻分类器，根据经过属性约简的完备数据集对目标股票下一个交易日的涨跌幅进行分类预测，使用D‑S证据组合规则对两种分类器得到的目标股票未来涨跌幅的分类预测结果进行决策融合，最后将决策融合结果作为目标股票未来涨跌幅的最终分类预测结果。本发明能够明显提高现有的基于神经网络、SVM等各种股票走势预测方法的预测准确率。将其用于构建多因子选股模型，能够使得各类股票指标数据与股票收益之间的非线性联系更有意义。

技术领域

本发明属于人工智能技术领域，具体涉及一种基于智能融合计算的股票走势分类预测方法。

背景技术

传统的定性投资策略主要依赖于投资者对上市公司的股性做出判断，这往往会受到其专业能力的限制而使得判断出现错误。而且由于投资者精力有限，其能够研究的股票样本数量通常不足。量化投资与定性投资最大的区别在于其通过计算机实现对股票数据的分析，再辅以一定的数学模型，从而实现稳定盈利的策略。该策略不仅提高了数学模型的稳定性，还节省了大量的人力物力。而多因子选股模型为量化投资领域的一个重要的数学模型，它通过筛选一些对股票价格产生影响的因子，再构建模型以实现对股票价格的预测。从预测的角度来看，它可以分为两大类：一个是股票走势预测，称为分类；另一种是股票价格预测，称为回归。

1952年，美国著名经济学家Markowitz最早提出了度量资产收益和风险的方法，并通过均值-方差模型实现了资产优化配置，该方法开启了量化投资的新时代。Sharpe和Ross等人在此基础上，分别提出了著名的资本资产定价模型(CAPM)和套利定价模型(APT)，通过多个因子对资产收益进行解释，并实现了性能更优的股价走势预测。Fama-French分别于1993、2013 和2018年提出了三因子、五因子、六因子模型，通过市场组合、市值因子、账面市值比因子以及动量因子等对资产收益率进行解释，使得模型对股票走势的预测能力变得更强。Kumar等将遗传算法与SVM算法结合，通过构建出的复合模型实现了对股票未来价格预测精确度的大幅提升。Ballings等通过神经网络、LR以及SVM等单一算法构建随机森林、Adaboost等集合模型，通过对欧洲上市公司的数据进行分析，实现对股票价格趋势的预测。Patel等通过ANN、 SVM、随机森林和朴素贝叶斯四种算法实现对印度股票市场的预测，结果发现随机森林模型比其他三种模型预测更加精确。

在国内研究方面，殷鑫将因子打分模型应用在国内A股股票数据的回测分析中。林德发、杨潇宇在2014年对HS300指数成分股的基本面数据和技术面数据进行分析，构建了多因子选股模型，并使用优化的投资组合跑赢了HS300指数。苏治等构建了基于SVM模型和遗传算法的选股模型，并实现了对股票收益率的预测，实验结果表明该模型预测精度优于单一的SVM 模型。曹正凤等构建了基于随机森林算法的量化预测模型，研究表明该模型比SVM模型预测更为精确。此外，国内还有一批学者尝试对国外股票市场进行分析，Huang等采用SVM算法对NIKKEI 225指数的周线价格趋势进行预测，结果表明SVM的表现优于其他分类算法。Zuo 等通过贝叶斯网络实现对股票的价格预测，并将该算法结果与时间序列预测算法进行比较，结果表明贝叶斯网络预测准确率更高。Chong等应用深度学习网络算法等方法进行股票市场的分析及预测。

但是，上述所有股票走势预测方法均未能充分挖掘现有数据指标与股票未来走势之间的相关性，剔除冗余的数据指标，并根据对未来走势有重要影响的股票指数进行走势预测，从而进一步提高预测正确率。

发明内容

本发明的目的在于克服上述不足，提供一种基于智能融合计算的股票走势分类预测方法，通过将智能融合计算方法综合运用于对股票多项技术指标的数据处理之中，从而得到该股未来的价格走势预测结果。

为了达到上述目的，本发明包括以下步骤：

步骤一，输入给定时间段内目标股票的完备数据集；