均线滞后的时序自回归股市态势预测算法

姚宏亮， 艾刘可， 王 浩， 李俊照

(合肥工业大学 计算机科学与信息学院 安徽 合肥 230009)

0 引言

股票市场受到多种因素的影响[1]，特别是各种突发信息，使得股市波动具有高频性和多变性[2]，这也使股市态势预测成为机器学习和数据挖掘领域的一个公开挑战.

一些研究者利用股市已出现的特征预测股市未来的态势[3].郑献卫等提出了一种金融时序预测的特征预测模型[4].马军海等讨论了一种非线性自相关混沌模型[5]，选取了开盘价、收盘价、最高价、最低价等价格特征组合，但是仅提取股票一种或者一类指标，指标过于单一，无法充分获取当前股票信息.蔡红等将主成分分析方法与神经网络相结合研究股票较长波段[6]，预测效果得到了提升,但由于预测模型仅选取价格与成交量等简单指标，难以体现特征影响在时间上的传递性.

同时，一些学者从股票波动的角度进行研究.通过融合特征与时序参数，能够较有效地预测股市未来的态势，其中艾略特波浪理论是一种基于周期性思想的股市形态波动理论.李卫华将量价关系引入到艾略特波浪理论中，给出一种结合股市形态与成交量的相对关系的态势预测算法[7].陈东峰等将波浪理论与时序自回归的ARMA模型(ARIMA)相结合进行态势预测[8].这些波动算法较好地体现了特征演化性，但特征之间结构性不强，波段整体信息的融合度不高.

股票的波动存在滞后性特点[9]，但是由于股票本身技术指标计……