用于股市预测的人工智能和机器学习的进步:技术和案例研究的全面分析
由googleglass创建,最终由googleglass 被浏览 25 用户
摘要
股市预测是一个经典但具有挑战性的问题,吸引了经济学家和计算机科学家的关注。交易活动涉及高风险,投资者可能会损失部分或全部投资金额,因此需要更智能的技术来辅助投资决策。
除了传统的金融数据,如价格和交易量,文本数据(如新闻和社交媒体)和宏观经济数据(如GDP和CPI)也可用于预测。这些数据类型可以提供历史数据中不存在的有用信息。
研究方法
文章详细介绍了以下几种用于股市预测的机器学习算法:
1.支持向量机(SVM):用于回归和分类问题,通过核技巧方法转换数据,寻找最佳边界。
2.随机森林(RF):由多个决策树组成,通过聚合预测结果来提高准确性。
3.K最近邻(KNN):基于最近邻数据点的分类或回归方法。
4.朴素贝叶斯(NB):基于贝叶斯定理的分类算法,适用于实时预测。
5.可解释的正则化类别关联规则算法(RCAR):基于规则的分类器,通过正则化逻辑回归技术开发模型。
6.长短期记忆网络(LSTM):用于时间序列预测的循环神经网络,通过控制信息的输入、存储和输出来预测未来事件。
7.人工神经网络(ANN):模拟人脑神经网络的结构,适用于预测分析。
实验与关键结论
文章回顾了多项相关研究工作,并总结了以下关键发现:
- Indu Kumar等人的研究:比较了SVM、RF、KNN和NB等多种机器学习模型,发现随机森林在数据集较大时表现最佳,而朴素贝叶斯在数据集较小时表现较差。
- W. Bao等人的研究:提出了结合LSTM、小波变换(WT)和堆叠自编码器(SAEs)的深度学习解决方案,用于股票价格预测。该方法通过WT去除噪声,SAEs提取深度特征,LSTM进行最终预测。
- Mehar Vijh等人的研究:使用ANN和RF预测不同行业的公司收盘价,发现ANN在预测股票价格方面优于RF。
- Wen Fenghua等人的研究:通过奇异谱分析(SSA)分解原始股票指数,结合SVM进行预测,发现SSA-SVM组合预测效果优于单独的SVM预测。
提出的新研究方法
文章提出了一个新的股市预测方法,具体步骤如下:
1.从雅虎财经收集历史数据,包括开盘价、最高价、最低价和收盘价(OHLC)。
2.对数据进行预处理,并应用小波变换(WT)去除噪声。
3.使用堆叠自编码器(SAEs)对技术指标和OHLC变量进行多层训练,以提取深度特征。
4.应用门控循环单元(GRU)模型进行预测,GRU类似于LSTM,但结构更简单,计算更高效。
5.使用均方根误差(RMSE)、平均绝对百分比误差(MAPE)、平均偏差误差(MBE)、Theil不等式系数(Theil U)和相关系数(R)等指标评估预测准确性。
结论
文章强调人工智能在股市预测中的重要性,并指出机器学习模型能够快速处理多种数据类型,为投资者提供决策支持。文章提出的新方法结合了小波变换、堆叠自编码器和门控循环单元模型,为未来的研究提供了一个初步的指导框架。
/wiki/static/upload/96/966803a6-97ba-4c3a-9858-a47787b586f9.pdf
\