基于SVM及股價趨勢的股票預測方法研究

鄔春學 賴靖文

摘 要：傳統(tǒng)SVM算法對股票的研究主要是在數值上，通過訓練后直接得到相應的值。闡述了通過SVM算法預測漲跌后再使用股價趨勢獲得相應預測值的預測方法。將歷史數據輸入模型作為訓練集，經過SVM算法訓練后，再與大盤走勢、K線、MACD線、成交量等技術指標進行處理，作出擬合預測。最后通過走勢方向準確度、總盈利率等指標，與基于SVM算法的其它預測進行比較，驗證該模型的應用成效與可用度，為后續(xù)研究提供參考。

關鍵詞：股票預測；SVM算法；股價趨勢；總盈利率

DOI：10.11907/rjdk.172448

中圖分類號：TP301

文獻標識碼：A 文章編號：1672-7800（2018）004-0042-03

Abstract：The traditional study of SVM algorithm on stock market is centered on the numerical value and obtains the corresponding value directly after the training. This paper introduces the prediction method in which corresponding prediction value is obtained by SVM algorithm and the stock price trend is combined into consideration of the prediction of corresponding values.The historical data are inputed into the modelas a training set. The data are then trained by SVM algorithm and dealt with the trend of the market， K line， MACD line， volume and other technical indicators to make aprediction. Finally， the trend direction accuracy， the total profit rate and other indicators and the newest predictions based on SVM algorithm are compared to test the application effectiveness and availability of the model， which makes a reference for the follow-up study.

Key Words：stock prediction； SVM algorithm； stock price trend； total profit margin

0 引言

股票具有變化多、非線性、可控性差等特點，2009年、2015-2016年的股災更是歷歷在目，從爭先恐后的盲目追高，到誠惶誠恐地一路陰跌，其中不乏一些賺的滿盆滿缽、買車買房的暴發(fā)戶，也有虧空跳樓的投資者。正是因為這種復雜多變的風險與收益落差極大的特點，促使許多學者畢生致力于股票研究。

股票預測研究方法很多，比較常見的是回歸分析、時間序列分析兩種方法。這些方法在一定程度上揭示了股票的規(guī)律，但在股票預測的穩(wěn)定性、對大盤漲跌和總盈利率預測上并不理想。支持向量機（SVM）理論是以統(tǒng)計學為基礎的統(tǒng)計學習理論（Statistical Learning Theory），對于小樣本的快速預測能得到全局最優(yōu)解。雖然預測效果很大程度上取決于核函數的優(yōu)劣，但相對于單純使用ARIMA、貝葉斯等建模難度大、難以收斂、容易陷入局部極小值的模型，SVM還是比較適用的。SVM優(yōu)秀的泛化能力是其成為最常用的分類器的重要原因。

綜上考慮，本文決定采用SVM算法套用在神經網絡模型上預測上證股價，通過分析本算法以及近期最新的預測算法，進行調整，為后續(xù)的股票預測研究打下堅實的基礎。

1 SVM及相關工作

1.1 選股方法

選股方法很多，有從價格直接選取估值較低的股票進行分析和買進的，有從交易量看炒股板塊熱度進行投資的，也有跟著大單買入賣出的，也有看經濟新聞買入的。看盤方式形形色色，虧了賺了只有實踐才知道。歸納起來有下面3種：

（1）基本面。基本面就是股票的整體情況，從該公司的經營理念策略、公司報表、分紅以及未來的公司運營方向等考慮，這方面的投資者一半是中長線（超過30日或以上），相當于是一種價值投資，其收益除了股票本身的價值差外還有股票分紅等，是比較穩(wěn)健的投資方式。

（2）技術面。技術面就是股票的價格、成交量等數據。從K、RSI、MACD、MA均線等分析股票的價格走勢。這種投資者一般是短線或超短線（日拋或周拋），相當于風險投資。收益很大，但風險也相對較高。

（3）消息面。消息面就是注意公司的各種信息。由于中國股票市場制度還不完善，很多公司與券商聯(lián)合起來炒作股票，券商買入后放出消息吸引資金追捧從中獲利。所以消息面和技術面是相輔相成的兩個選股指標，雖然市場上虛假消息以及延后消息非常多，但畢竟是公司內部出來的消息，具有一定的價值。

本文的SVM算法基于數據統(tǒng)計，主要從技術層面出發(fā)，消息以及基本面暫不考慮。

1.2 SVM應用

SVM算法由Vladimir N Vapnik和Alexey Ya發(fā)明。 1992年，Bernhard E Boser、Isabelle M Guyon和Vladimir N Vapnik提出了一種通過將內核技巧應用于最大余量超平面創(chuàng)建非線性分類器的方法。目前的標準化身（軟裕度）由Corinna Cortes和Vapnik于1993年提出。

SVM方法通過一個非線性映射p，把樣本空間映射到一個高維乃至無窮維的特征空間中（Hilbert空間），使得在原來的樣本空間中非線性可分的問題轉化為在特征空間中的線性可分問題，簡單說就是升維和線性化。升維，就是把樣本向高維空間做映射，一般情況下會增加計算的復雜性，甚至引起“維數災難”，因而人們很少問津。但是分類、回歸等問題在低維樣本空間很可能無法線性處理樣本集，在高維特征空間卻可通過一個線性超平面實現(xiàn)線性劃分（或回歸）。一般升維都會帶來計算復雜化，SVM方法巧妙地解決了這個難題：應用核函數的展開定理，不需要非線性映射的顯式表達式；由于是在高維特征空間中建立線性學習機，所以與線性模型相比，不但沒有增加計算的復雜性，而且在某種程度上避免了“維數災難”，這是核函數的展開和計算理論的擴展。

正是由于SVM算法基于小樣本，有著良好的數學基底，所以具有良好的魯棒性，因而廣泛應用于各行各業(yè)。

2 SVM股票處理模型

2.1 股票選取與預處理

影響股票價格的因素很多，人為因素占非常大的比例，很多券商為了炒高股價而先期大量買入，后放出消息，再擇機賣出，這樣的股票分析起來很困難，經常會出現(xiàn)沒有成交量暴跌，或成交量大及暴漲等不合理、難以分析的現(xiàn)象。因此本文選取盤面較大的（難以被操控的）股票。數據從2014年7月8日至2017年5月26日數據，共680組，其中30組作為訓練數據，訓練出模型，其余650組作為預測數據。本文以收盤價為預測對象，將數據與其它網站（網易財經、東方財富、大智慧等）搜集的數據先進行完整性處理，將殘缺的數據根據東方財富、網易財經等比對后填入數據；然后進行數據準確性處理，將券商間的信息比對后，與其它券商不同的數據進行更改處理。

進行比較并將停盤數據刪除之后的數據如圖1所示。

2.2 股價趨勢分析模型

模型選擇因為影響因素多，因此不能僅選取其中之一來決定股票價格，使用最多的是神經網絡知識構建預測模型，如圖2所示。

3 模型評價指標

3.1 股價走勢準確率

為了分析本模型效果，選取兩個指標進行評判：①走勢準確率；②總盈利率。

走勢準確率是和股票走勢方向相同的次數與總預測次數的比值，希望知道的是股價走勢和未來的方向，以此預測走勢。若一個股票預測系統(tǒng)能正確預測大盤走勢，說明這個預測模型具有很高的實用性和使用價值。

3.2 股票總盈利

投資者最關心的是總盈利率，該指標反映模型在單只股票中一定的交易日內，是否為投資者帶來收益，是評價模型的重要指標。

4 模型預測結果案例分析

本文選取中國重工（601989）從2014年7月8日至2017年5月21日的681個交易日數據作為數據源，從中劃分出訓練以及預測的相鄰數據。以其中30組作為訓練集，其余的作為預測集，之后根據權重計算相應漲跌，再根據股票的成交量與漲幅趨勢計算出漲跌的相關指標，最后根據給出的結果計算相應指標，如表1所示。

根據不同模型計算漲跌幅，如圖3所示。

盈利率計算公式如下：

為使數據更有說服力，取連續(xù)上行的第3個峰作為買入點，以及連續(xù)下行的第3個峰作為賣出點，得到盈利率為0.53。雖然該算法的盈利率在股票市場不是很理想，但相對于銀行利率，預測結果還是可以接受的，具有一定的實用價值。

5 結語

本文通過建立SVM模型，分別用k線、大盤以及其它指標綜合預測，給出了股票漲跌的預測結果。根據價格變動幅度和換手率做出趨勢方程，得到較好的結果。但SVM漲跌預測還存在較大改進空間，在評判體系以及算法改進方面還有很多需要研究的地方。

參考文獻：

[1] 百度百科.SVM詞條[EB/OL].http：//baike.baidu.com/link？url=Ptry1cCOJxbzMe_yoN11b-jwJN4e4zCi-IhgCRMQN_SA6mRhrGn418WBc-wHhOXYKT9Qq02cE4BR-xR8zYDA2q.2017.7.10.

[2] 張秀艷，徐本立.基于神經網絡集成系統(tǒng)的股市預測模型[J].系統(tǒng)工程理論與實踐，2003，23（9）：67-70.

[3] 喻勝華，肖雨峰.基于信息粒化和支持向量機的股票價格預測[J].財經理論與實踐，2011，32（6）：44-47.

[4] 程硯秋.基于支持向量機的證券價格預測方法研究[D].大連：大連理工大學，2007.

[5] 張良均，王路，譚立云，等.Python數據分析與挖掘實戰(zhàn)[M].北京：機械工業(yè)出版社，2015.

[6] WEN F H， XIAO J H， HE Z F. Fuzzy cognitive diagnosis for modelling examince performace[J]. Procedia Computer Science，2014（31）：625-631.

[7] 黃秋萍，周霞，甘宇健，等.SVM與神經網絡模型在股票預測中的應用研究[J].微型機與應用，2015，34（5）：88-90.

[8] 程昌品，陳強，姜永生.基于ARIMA+-+SVM組合模型的股票價格預測[J].計算機仿真，2012，29（6）：343-346.

[9] 韓瑜，劉淑環(huán).基于GARCH-SVM和AR-SVM的個股漲跌預測[J].大連海事大學學報，2016，15（3）：25-30.

[10] 賈秀倩，劉翔，周洋，等.基于LS-SVM算法的旅游數量預測[J].科技經濟導刊，2016（1）：6-7.

[11] 黃同愿，陳芳芳.基于SVM股票價格預測的核函數應用研究[J].重慶理工大學學報，2016，30（2）：89-94.

[12] JUNG S B， KIM S W. Improvement of scanning accuracy of PZT piezoelectric actuators by feed-forward model-reference control[J].Precision Engineering，1994，16（1）：49-55.

[13] YAN D F， ZHOU G， ZHAO X， et al. Predicting stock using microblog moods[J]. China Communications，2016，30（8）：244-257.

（責任編輯：杜能鋼）