基于模糊近似支持向量回归的股价预测研究

王冰玉，刘勇军

(华南理工大学，广东 广州 510640)

0 引 言

股价预测主要基于相关预测模型预测股价的未来变化趋势以捕捉相应的市场行情，从而促进股票选择。近年来，股价预测是热点问题。许多学者和业界人士都从理论和实践层面对其股价预测模型进行相关研究，其研究方法包括GARCH[1-3]、模糊时间序列[4-5]、ARIMA[6-8]等。由于计算机技术的发展和广泛应用，各种机器学习和量化投资模型也被逐渐地应用到股票预测领域，例如支持向量机、人工神经网络、遗传算法和差分进化算法等股价预测模型。

Yu和Yan基于PSR方法和DL的长短期记忆网络(LSTMs)，设计了一种基于DNN的股价预测模型，并对不同时期的多个股票指数进行预测[9]。Onoh等利用协调搜索(HS)和遗传算法，建立混合人工神经网络模型，并根据数据集的统计和财务表现进行实证分析[10]。Moghaddam等研究人工神经网络对纳斯达克股票日汇率的预测能力，从而对用反向传播算法训练的几种前馈神经网络进行了评估[11]。Hjek等将情绪与财务指标相结合，使用一个多层感知器神经网络来预测异常股票回报率[12]。綦方中等提出一种基于PCA-IFOA-BP神经网络的股票价格预测模型，并借助上证指数进行预测[13]。孟叶等选取K-近邻、梯度提升和自适应提升这3个分类器，通过改进的投票算法聚合成一个新的分类器模型，对指数行情数据进行学习分类[14]。

虽然基于神经网络的混合模型是预测股票市场指数的有效预测方法，但是却存在着诸如黑箱技术、过拟合、收敛速度慢、陷入局部极小等局限性。……