[发明专利]一种基于稀疏表示的股票风险预测系统和方法

说明书

本发明涉及一种基于稀疏表示的股票风险预测系统，包括数据输入模块、滚动风险计算模块、股票风险映射矩阵模块、lasso回归预测模块和误差评估模块；数据输入模块的输出端与滚动风险计算模块的输入端电性连接，滚动风险计算模块的输出端与股票风险映射矩阵模块的输入端电性连接，股票风险映射矩阵模块的输出端与lasso回归预测模块的输入端电性连接，lasso回归预测模块的输出端与误差评估模块输入端电性连接。本发明提供一种基于稀疏表示的股票风险预测系统和方法，数据输入模块采集数据，通过构造通过滚动风险矩阵进行列提取、转置以及扩充列而得到的风险映射矩阵，以崭新的方法构建数据的结构，同时能够将历史风险数据进行线性组合，便于进一步的风险预测。

技术领域

本发明涉及机器学习领域，具体地，涉及一种基于稀疏表示的股票风险预测系统和方法。

背景技术

目前，在进行股票预测时，最常用的是股票价格的预测。其中，BP神经网络是较为常用预测方法的方法。BP(Back Propagation)网络^[1]是一种多层前向神经网络,它是一种具有3层或者3层以上神经元的神经网络,包括输入层、隐含层和输出层,上下层之间实现全连接,而同一层神经元之间无连接。

BP神经网络算法，首先对权值和阈值设置初始值设置为较小的随机数，其次需要输入训练样本(Iq,dq)，并且对每一个输入样本进行以下(1)-(5)计算:

计算每一个网络层的实际输出:

x^(l)＝f(s^(l))＝f(w^(l)x^(l-1)+θ^(l)) (1)

计算训练误差：

输出层：

修正权值和阈值：

[1]黄宏运,吴礼斌,李诗争.BP神经网络在股票指数预测中的应用[J].通化师范学院学报,2016,37(10):32-34.

[2]褚文华.BP人工神经网络在股票预测中的应用[J].哈尔滨商业大学学报(自然科学版),2019,35(02):237-240.

[3]SHERWOOD H，TAYLOR M D.Doubly stochastic measures with hairpinsupport[J].Probab Theory Related Fields，1988，78:617－626.

[4]NELSEN R B，QUESADA M JJ，RODRIGUEZ L JA.Bivariate copulas withcubic sections[J].J Nonparametr Statist.，1997，7:205－220.

上述的现有技术在应用过程中存在着以下几个缺点：第一，股票价格在在历史时间上变化波动较大，具有一定的不稳定性。这是由于目前我国股票市场仍处于不成熟的发展状态,短期内的国民经济状况、宏观政策以及投资者的心理预期等众多因素都会对股价造成某种程度的影响。第二，上述的股票价格特点造成股票价格预测在技术上较难实现精度较高的预测，只能实现对未来股价趋势的大致预测。因而对建仓或被动投资指导性意义不大。第三，神经网络预测误差的波动性更大，若选取股价波动较小的时间进行预测，能够得到与实际股价误差很小的预测输出；但在股价波动较大的时间区间内，预测结果的准确度不理想。

发明内容

本发明为解决现有技术无法有效进行短期预测股票波动性的问题，提供一种基于稀疏表示的股票风险预测系统和方法。

为实现以上发明目的，采用的技术方案是：