基于在線序列ELM算法的高效股票預測

楊樂,張瑞

(西北大學數學系,陜西 西安 710127)

基于在線序列ELM算法的高效股票預測

楊樂,張瑞

(西北大學數學系,陜西 西安 710127)

傳統的股票預測方法通常采用前一段時間的股票價格預測后一段時間的股票價格.本文提出了一種僅用前一天的股票數據預測后一段時間的股票數據的新方法,先對股市收集到的原始數據進行錯位排序,然后采用在線序列ELM算法進行預測.預測結果顯示,這樣不僅預測精度高,而且速度也很快.

在線序列ELM算法;錯位排序;最小二乘法;股票預測

1 引言

隨著股票市場的發展,各種各樣的股票預測方法不斷產生,常見的有ARIMA模型,灰色理論,支持向量回歸機,馬爾科夫預測方法[1]等.這些預測方法在一定程度上揭示了股市的某種運行規律,但是股票市場內部結構的復雜性和外部因素的多變性又直接會影響股市預測的準確性.有效的預測,關鍵在于發現正確的規律.從數學角度看,就是找到股票數據之間的某種映射(函數)關系.由于神經網絡具有可逼近任意非線性連續函數的學習能力,因而運用神經網絡進行股票預測已成為近幾年來的研究熱點.

目前,大多數股票預測方法都是基于BP(back-propagation)神經網絡而提出的[27],但由于BP網絡在訓練過程中需要對網絡的權值和閾值進行修正,不僅非常耗時,而且極易陷入局部極小.所以針對股票市場這樣一個實時性較強的場合,BP網絡的應用勢必受到限制.不同于傳統的神經網絡理論,文獻[8]提出了一種新的算法—ELM(extreme learningmachine)算法. ELM算法中,輸入權值和隱層閾值隨機選取,而輸出權值則可直接計算得到.整個過程一次完成,無需迭代.目前ELM算法已成功地應用于大量的回歸問題與分類問題之中,結果表明ELM算法不僅學習速度快,而且與其它學習算法相比,具有更好的泛化性能.但在實際應用中,所有數據可能不是一次性添加到網絡中.當新數據添加到網絡時,ELM算法會把新數據和舊數據放到一起重新訓練網絡,因此會花費很長時間.為解決這一問題,文獻[9]把序列學習思想應用于ELM算法并提出了在線序列ELM算法.在該算法中,數據可以一個一個或一塊一塊地添加到網絡中,并且原先的數據學習完成后就會拋棄不再使用.基于股市數據的在線特點,采用在線序列ELM算法,預測并分析股市走勢,從而降低投資風險,顯然有著十分重要的意義[1011].

2 在線序列ELM算法原理

(d)置k=k+1,返回步驟(2).

在線序列ELM算法的主要優點在于:(1)放棄已學習過的數據;(2)學習速度快.正是因為上述兩個優點,對于股市這樣一個實時性很強的市場,采用在線序列ELM算法進行預測才具有較強的可行性.

3 預測原理

本文采用在線序列ELM算法,用前一天的股票數據來預測后一段時間內的股票數據,其主要思想分為以下三個步驟:

(1)訓練部分

4 實驗

4.1 數據處理

本文選取東風汽車1999年7月27日至2011年12月30日(共2997個交易日)的最高價、最低價、收盤價作為樣本數據.所有實驗均在電腦配置為CPU 2.40 CHz、2.00 GB RAM和MATLAB 7.6.0環境下運行.

設最初從股市上收集到的數據為Z={z1,z2,···,z2997},其中zi=(zi1,zi2,zi3)T.

首先對所有數據進行如下歸一化處理:

其中z j(max)和z j(min)分別表示z1,···,z2997中第j個分量的最大值和最小值.

其次,對處理后的數據集進行錯位排序形成新的數據集:

其中xi=zi,ti=zi+1分別表示第i個輸入數據和其對應的目標輸出.把?中的前1000個數據作為訓練數據,1001個到2000個的數據作為測試數據,x2001作為預測輸入分別預測后三(t2002,t2003,t2004)天、五 (t2002,t2003,t2004,t2005,t2006)天的股票數據.由于本文中期望輸出的維數是多維,因此定義新的均方根誤差為

其中oij和tij為第i個數據的實際輸出和期望輸出的第j個分量,d表示數據的維數,N表示數據的個數.訓練和測試實驗N均取1000,前一天的股票數據預測后三、五天股票數據的預測實驗N分別選取3和5.

4.2 參數設置

在實驗中,最優隱節點個數采用十字交叉驗證法[7]確定為8個,初始數據個數 N0設定為15,每次增加數據的個數為10.考慮到RBF神經網絡的結構簡單,具有良好的全局逼近性能,以及非線性映射能力和高度非線性的特點,在線序列ELM算法的激活函數定為RBF函數.

4.3 實驗結果

本小節所列出的實驗結果(如表1,表2所示)均為20次實驗的平均結果.

用 2007年 12月 10日的最高價、最低價、收盤價預測 2007年 12月 11-13日的最高價、最低價、收盤價的實驗結果如表 1所示.從表 1中可以看出,預測出的 11日的最高價與實際最高價的取值只相差 0.009.雖然預測 13日的誤差比較大,但是考慮到輸入僅是2007年12月10日這一天的股票數據,以此進行后一段時間的預測誤差理論上也應該增大.盡管如此,預測這三日的股票信息總體精度卻能達到0.023,而用時卻只有0.018秒.

表1 股票預測數據

用2007年12月 10日的最高價、最低價、收盤價預測2007年 12月11-15日的最高價、最低價、收盤價的實驗結果如表2所示.從表中可以看出預測這五天股票數據的精度已達到0.0234與預測11-13日這三天股票數據的精度僅相差0.0004.這也就充分顯示了,該論文用于股票綜合數據長期預測的精確性.

5 結論

本論文基于在線序列ELM算法提出了一種僅用前一天的最高價、最低價、收盤價分別預測出后三天、五天的最高價、最低價和收盤價的新方法.此方法的最大優點在于,所需輸入少,預測周期長.表1和表2的實驗結果顯示,對原始數據進行錯位排序后,再采用在線序列ELM學習算法進行前一天的股票數據預測后三天和后五天的股票數據實驗,預測精度變化不大.由此說明,本論文所提出的方法可以作為股票整體信息長期預測的有效新方法.

表2 股票預測數據

[1]朱瑜.股市預測方法研究[D].西安:西北工業大學圖書館,2006.

[2]陳政,楊天奇.基于RBF神經網絡的股票市場預測[J].計算機應用與軟件,2010,27(3):108-110.

[3]林香,姜青山.一種基于遺傳BP網絡的預測模型[J].計算研究與發展,2006,43:338-343.

[4]向小東,郭輝煌.BP算法的改進及其在股票價格預測中的應用[J].西南交通大學學報,2001,36(4):425-427.

[5]吳微,陳維強.用BP神經網絡預測股票市場漲跌[J].大連理工大學學報,2001,41(1):9-15.

[6]王英健,戎麗霞.基于遺傳BP算法的神經網絡及其在模式識別中的應用[J].長沙交通學院學報,2005,21(1):53-56.

[7]沈波.基于BP神經網絡的股價預測應用研究[D].長沙:湖南大學圖書館,2010.

[8]Bin Huangguang,Yu Zhuqin.Extreme learningmachine:theory and app lications[J].Neural Com putation, 2006,70:489-501.

[9]Ying Liangnan,Bin Huangguang.A fast accurate online sequential learning algorithm for feed forward networks[J].IEEE Trans.Neural Networks,2006,17(6):1411-1423.

[10]Wei Zhaojian,HuiWangzhi.Online sequential extreme learning machine with forgetting mechanism[J]. Neural Com putation,2012,87:79-89.

[11]Li Sunzhan,M ing Choitsan.Sales forecasting using extrem e learning m achine with app lications in fashion retailing[J].Decision Support System s,2008,46:411-419.

Aneffi cient stock forecasting m ethod based on on line sequential ex trem e learn ing m achine

Yang Le,Zhang Rui
(Department of Mathematics,Northwest University,Xi′an 710127,China)

Traditional stock p rediction m ethod usually uses the stock price of som e tim e ago to forecast after a period of time′s.This paper puts forward a new method which uses the stock data of the day before to forecast the follow ing period of tim e′s.App ly dislocation ranking m ethod to the original data,after which use online sequential extrem e learningm achine algorithm to forecast.Forecasting results show s that the forecast precision and speed is high.

online sequence extrem e learning m achine,dislocation ranking m ethod,least squares solution, stock forecast

O29

A

1008-5513(2012)06-0834-05

2012-09-08.

國家自然科學基金(61075050).

楊樂(1987-),碩士生,研究方向：ELM s技術的理論及應用.

張瑞(1971-),博士,副教授,研究方向：人工神經網絡,計算智能,機器學習.

2010 M SC:03C65