[发明专利]一种螺纹钢期货价格涨跌概率预测方法

摘要

本发明公开了一种螺纹钢期货价格涨跌概率预测方法，其具体方法是：从互联网与第三方数据库中收集螺纹钢特征数据；采用信息增益比结合平方误差最小化准则，保留信息增益较大的特征，生成决策树；然后通过损失函数计算每个节点的经验熵，递归地从树的叶节点向上回缩，如果将某一个父节点的所有叶节点合并，能够使得其损失函数减小，则进行剪枝，将父节点变成新的叶节点；重复此步骤，直到不能继续合并，最终降低过拟合概率；本发明提高了螺纹钢期货价格预测的速度，节省了人工分析成本，实现了人工难以完成的多维度大数据统计分析，同时模型有持续学习特点，预测精度会越来越高。

主权项

1.一种螺纹钢期货价格涨跌概率预测方法，其特征在于，包括以下步骤：(1)、学习样本数据收集；包括从互联网上爬取数据和从第三方数据库采购数据；(2)、数据入库：获取数据后，将数据存入数据库，入库时整理并计算好所有特征值，以便后续用作训练与测试数据；(3)、数据特征选取与计算取出数据库中连续一段时间的数据作为训练数据集D；取另一段与数据集D不重复的数据作为测试数据集T；输入训练数据集D和特征A；分别计算数据集D的经验熵H(D)、特征A对数据集D的经验条件熵H(D|A)、信息增益g(D,A)、信息增益比gR(D|A)；(4)、决策树模型生成与剪枝采用CART算法与平方误差最小化准则生成决策树，CART假设决策树是一个二叉树，通过递归地二分每个特征，将特征空间划分为有限个单元，并在这些单元上确定预测的概率分布；构建完决策树后，对决策树进行减枝，将噪声节点移除；决策树的剪枝通过极小化决策树整体的损失函数来实现；(5)、模型测试：输入之前准备好的测试数据集T，并比对模型输出与目标值间的误差值，衡量模型训练结果的好坏；当预测准确率超过70％，用于下一步训练；(6)、轮训：将数据仓库中的老数据分为多组训练样本测试数据完成多轮训练，并持续获取未来产生的新数据作为训练样本与测试数据，重复2‑5步骤反复迭代模型轮训，提高精度达到指定值，输出模型；(7)、输入最新数据集，输出螺纹钢未来期货价格涨跌预测结果。