[发明专利]一种基于拉普拉斯算子的股指趋势预测方法

说明书

本发明公开了一种基于拉普拉斯算子的股指趋势预测方法，Step1,计算日内MACD；Step2,计算日内RSI；Step3,计算日内RCR；Step4,根据日内MACD、日内RSI、日内RCR序列拼接成高频因子矩阵；Step5,将高频因子矩阵进行拉普拉斯算子运算，得到拉普拉斯矩阵；Step6,将拉普拉斯矩阵拉直成因子向量；Step7，构建预测模型。本发明对股指因子进行了矩阵化变换形成常规指数的矩阵化表示，用拉普拉斯算子对因子矩阵进行二阶差分运算，在挖掘股指因子相关性的同时实现因子的差分特性，用于深度挖掘因子的相关性和时间序列特性，提升整体预测模型性能。

技术领域

本发明涉及一种基于拉普拉斯算子的股指趋势预测方法，属于计算机技术和智能预测技术领域。

背景技术

目前，现有主流的股价指数趋势预测方法主要有基于趋势外推的方法、基于时间序列分析的方法、基于机器学习的方法以及基于深度学习的方法:

(1)、趋势外推法：该方法基于预测点前面一段时间的序列走势，进行趋势拟合，常用的趋势外推模型有线性模型、指数模型等。

(2)、时间序列分析法：该方法是一种经典的统计预测方法，有代表性的是ARIMA模型。一般步骤是先对模型进行平稳性检验，然后模型定阶，参数估计，最后进行模型检验完成预测模型建立。

(3)、机器学习预测：该方法是通过基于高频因子与股指趋势，建立回归或分类模型，通过对模型训练，完成预测模型的建立，常见的方法有SVM和XGboost模型。

(4)、深度学习预测：该方法主要基于循环神经网络模型，一般基于LSTM模型对股指序列进行预测，也有结合高频因子简历预测模型。

以上现有技术中存在如下缺陷：

(1)、趋势外推法由于信息量较少，对近期的变动较平稳的趋势有效，绝大多数情况下预测准确率较差。

(2)、基于时间序列的预测方法必须要求序列满足平稳性，而且本质上该方法只能捕获线性关系，而不能捕获非线性关系。

(3)、基于机器学习的方法本质上是建立高频因子与趋势涨跌的非线性映射关系，很大程度上提升了预测的准确性，但需要大量因子的设计、选取和测试才能保证一定的预测精度，加之浅层模型对序列非线性拟合能力较弱等缺陷。

(4)、基于深度学习模型的预测方法，比基于机器学习的方法最大的优势在于对时间序列模式的“记忆”能力，和深层网络对特征的抽取能力，但是由于参数复杂和模型的可解释性较差，模型维护较为复杂。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种基于拉普拉斯算子的股指趋势预测方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种基于拉普拉斯算子的股指趋势预测方法，包括如下步骤：

Step1,计算日内MACD；

Step2,计算日内RSI；

Step3,计算日内RCR；

Step4,根据日内MACD、日内RSI、日内RCR序列拼接成高频因子矩阵；

Step5,将高频因子矩阵进行拉普拉斯算子运算，得到拉普拉斯矩阵；

Step6,将拉普拉斯矩阵拉直成因子向量；

Step7，构建预测模型。

作为优选方案，所述Step1具体步骤如下：

(1)、计算指数平滑移动平均线：