[发明专利]一种基于自适应特征提取的股票指数预测方法

说明书

本发明涉及一种基于自适应特征提取的股票指数预测方法，包括：S1：获取股票指数数据，得到每日的开盘价、最低价、最高价、收盘价和成交量；S2：计算由金融经济专家提出的人工指标值；S3：构造样本特征及样本标签，将所有样本划分为训练集、验证集和测试集；S4：对样本进行自适应特征提取；S5：将自适应提取特征与S2计算的人工指标一起输入基于因子机的神经网络预测模型中，并输出预测结果。本发明通过自适应提取股票指数的特征，且提取方法简单、解释性强；使用基于因子机的神经网络作为预测模型，它不仅能够学习到特征之间的交互作用、具备非线性的表达能力，还具有线性复杂度；可有效提高股票指数预测技术的准确率。

技术领域

本发明涉及股票指数预测领域，更具体地，涉及一种基于自适应特征提取的股票指数预测方法。

背景技术

分析、预测股票指数是在私人投资者，对冲基金和自营交易部门的日常工作中的一项必不可少的环节，而合理准确的预测可能会增加产生高额金融收益和对冲市场风险的潜力。然而，考虑到股票市场的信息效率和成熟度等因素，金融经济学家经常质疑股票指数的可预测性和获利交易的机会的存在。因此，在有效市场假说的背景下，这就导出了一个问题，即股市是否是将信息转化为价格的有效引擎。

尽管金融市场正常情况下符合有效市场假设，但不稳定的市场制度会出现，其中基本价格的基调不稳定，未来收益具有较大的不确定性，这为异常行为(如过度交易、波动、泡沫和疯狂交易的共同发生)提供了肥沃的环境。实际上，不存在真正有效的市场，正如格罗斯曼(Grossman)和斯蒂格利茨(Stiglitz)所表明的那样：信息的获取和分析是昂贵的，价格不能完美地反映所有现有的信息，因为这将对那些花费资源来获取信息和利用信息进行交易的人没有任何激励。此外，交易者对新信息也不能及时做出反应。一方面，一些交易者对新信息的到来表现出过度反应，要么是因为他们过分自信，要么是他们有模仿的动机和被模仿的欲望。这可能导致资产高估或低估，从而增加反弹或崩溃的可能性，从而在收益中产生负自相关。另一方面，由于注意力不集中等原因，投资者可能反应迟钝，并且新闻信息被缓慢地内化到价格中，从而导致正的自相关作用。

此外，信息技术和公共通信基础设施的进步使我们重新对金融市场的结构和有效的市场假设进行思考。正如高频交易(HFT)的出现和发展所体现的那样，它减少了价格波动所需的时间周期，并引发了新的不稳定性，例如瞬间暴跌。据调查，伴随着许多“跳跃”，股票每天上涨约2％以上。尽管新闻对价格走势有一定影响，但它只是波动的一小部分原因。许多理论研究表明，波动的爆发可能与金融市场的准效率密切相关，因为它们难以预测，因为金融投资者的适应性行为往往会消除价格的可预测性。随着计算机性能、数据可用性和算法复杂度的提高，投资者的投资决策及其算法的持续行为产生了一个强大的“市场情报”。这可称为“新兴市场情报假说”。考虑到它们共同创造的金融市场的复杂性或结构，这种“智能”会使大多数(但不是全部)策略变成失败的策略。

目前，股票指数预测方法可以概括为两类，即基础面分析和技术分析。在基本面分析类别中，基本面专家研究股票的内在价值，行业表现，政治事件，总体经济状况和市场预期。技术分析师(也称为图表专家)不是试图衡量上述所有指标，而是倾向于通过研究市场活动产生的统计数据并利用图表得出可预测的模式和趋势来挖掘潜在的机会，这些可预测的模式和趋势可能暗示该指数在未来股市中的表现。许多研究已经调查了不同市场中的各种技术交易规则并得出结论，技术规则至少在引入相应的交易所交易基金(ETF)之前对增长和新兴市场指数具有预测力。