基于特征K线和合作协同演化算法的金融时间序列预测方法技术

本发明专利技术公开了一种基于特征K线和合作协同演化算法的金融时间序列预测方法，包括以下步骤：1)获取金融时间序列数据，采用特征K线技术对金融时间序列数据进行去噪处理；2)将去噪处理后的数据输入SVM，并采用合作协同演化算法来获取分类预测准确率。本发明专利技术通过特征K线技术对金融时间序列数据进行去噪处理，抽取金融时间序列的核心特征，降低了金融时间序列数据的随机性，简化了模型建立的复杂度；利用合作协同演化算法与SVM结合的方式来获取分类预测准确率，提升了参数优化性能，获得了更高的分类预测准确率,且能适应复杂模型问题的求解。

Prediction method of financial time series based on characteristic K-line and cooperative co evolution algorithm

The invention discloses a financial time series prediction method based on characteristic K-line and cooperative co-evolution algorithm, which comprises the following steps: 1) acquiring financial time series data, denoising financial time series data with characteristic K-line technology; 2) inputting denoised data into SVM and adopting cooperative co-evolution. Algorithm to get the accuracy of classification prediction. The method extracts the core features of financial time series, reduces the randomness of financial time series data, simplifies the complexity of model establishment, and obtains classification prediction accuracy by combining cooperative co-evolution algorithm with SVM. Parameter optimization results in higher accuracy of classification and prediction, and can be used to solve complex model problems.

【技术实现步骤摘要】
基于特征K线和合作协同演化算法的金融时间序列预测方法
本专利技术涉及金融风险管理领域，具体涉及一种基于特征K线和合作协同演化算法的金融时间序列预测方法。
技术介绍
金融衍生品市场受到政治，经济，参与者情绪等多方面的影响，系统呈现高度非线性，具有局部随机性与全局趋势性相统一的特征。因此跟踪市场变动趋势，并在此基础上建立恰当的预测模型，以有效降低投资风险，提高投资报酬具有十分重要的现实意义。随着金融市场的不断发展和健全，对投资者的要求越来越高，早期投资者凭借自己的主观经验及判断进行决策选择的投机行为在现有的市场条件下已经很难获得较高的预测准确率。同时随着计算机和机器学习为代表的人工智能技术的飞速发展，基于金融数据的市场预测研究成为近年来的热点。但由于金融市场价格波动具有高度的非线性，用传统方法建立的数学模型具有一定的局限性，影响其预测的准确率，因此，急需一种具有高预测准确率的数学模型以减少投资风险。K线是以每个分析周期的开盘价、最高价、最低价和收盘价绘制而成。以绘制日k线为例，首先确定开盘和收盘的价格，它们之间的部分画成矩形实体。如果收盘价格高于开盘价格，则K线被称为阳线，用空心的实体表示。反之称为阴线用黑色实体或白色实体表示。特征K线是指在具有相同特征的单根、两根或多根K线的组合形态，其出现往往会反应后续金融价格走势的某种特定规律。金融衍生品市场受到各类因素影响，使得金融数据，特别是金融时间序列数据中存在大量噪音，造成时间序列非稳定性等特征，并且极大影响了对其的分析和处理。鉴于上述情况，针对金融时间序列的去噪工作则尤为重要。但是金融时间序列本身具有非平稳性，非线性和信噪比高的特点，采用传统的去噪方式往往存在诸多缺陷，而利用特征K线对金融时间序列进行去噪处理，有利于降低金融数据的随机性，简化模型建立的复杂度。传统演化算法在解决低维问题上取得了很好的效果，当变量个数不多的时候，能够很快找到最优解；但当问题规模增大时，其求解难度也急剧增加，许多经典演化算法都失去了其在低维中的性能和表现。这就是所谓的维数灾难。传统的经典算法在求解高维问题领域具有局限性。实际工程应用中的很多优化问题都是大规模的，并且变量之间还可能存在复杂的相关性，迫切需要有效和高效的大规模优化算法。合作协同是提高演化算法求解高维问题能力最有效的策略之一，能够充分利用群体中部分个体的演化导向作用,降低计算量，使收敛的速度加快，并且减少陷入局部最优值的情况。
技术实现思路
为了解决现有技术的不足，本专利技术提供了一种基于特征K线和合作协同演化算法的金融时间序列预测方法，该方法通过特征K线技术对金融数据进行去噪处理，利用合作协同演化算法(CooperativeCoevolutionalgorithms，CCEA)与支持向量机(SupportVectorMachine，SVM)结合的方式来获取分类预测准确率。经过特征K线的去噪处理，抽取金融时间序列的核心特征，降低了金融数据的随机性，简化了模型建立的复杂度。合作协同演化算法与SVM结合的方式提升了参数优化性能，从而获得更高的分类预测准确率，适应复杂模型问题的求解。为了实现上述目的，本专利技术的技术方案如下：一种基于特征K线和合作协同演化算法的金融时间序列预测方法，包括以下步骤：1)获取金融时间序列数据，采用特征K线技术对金融时间序列数据进行去噪处理；2)将去噪处理后的数据输入SVM，并采用合作协同演化算法来获取分类预测准确率。进一步的，所述步骤1)中，在金融时间序列数据的K线化基础上，筛选获取具有单根、双根和多根的多种特定形态的特征K线集合，生成数据集。进一步的，所述步骤2)中，采用基于合作协同演化算法构建的优化框架，构建金融时间序列预测模型，从而获取分类预测准确率。进一步的，所述优化框架包括三个部件，所述部件1为特征子集的选择，所述部件2为天数窗口设定，所述部件3为优化算法的选择。进一步的，所述特征子集的选择，包括从DIF、DEA、MACD、DMA、AMA、PSY、CLOSE、D、RSI、HIGH、OPEN、MA5、MA10、VOLUME、K、LOW、UPPERLINE、MIDDLELINE、LOWLINE、CCI和j的21个特征中随机选出1个或多个特征，构建特征子集。进一步的，所述天数窗口设定即为滑动窗口天数大小的设定，其天数大小为5到30之间的随机值。进一步的，所述优化算法的选择，包括随机选择1到3之间的数值，其中数值1代表网格搜索，数值2代表GA算法，数值3代表粒子群算法。进一步的，假设循环次数是C，参与循环的个体数量是N，三个待确定部件包括部件1天数窗口设定、部件2特征子集的选择和部件3优化算法的选择，则所述合作协同演化算法包括：2-1)对N个个体分别进行初始化，得到每个个体的天数窗口、特征子集、优化算法和分类准确率；2-2)取出分类准确率最高的个体为emperor，如果当前的循环次数C/3，余数是1，则除emperor之外，其余个体的部件1将根据交叉率Pc复制成emperor的部件1，复制完成之后，再根据变异率Pm进行自身部件1的变异，再计算每个个体的分类准确率，取出分类准确率最高的个体为emperor；2-3)如果当前的循环次数C/3，余数是2，则除emperor之外，其余个体的部件2将根据交叉率Pc复制成emperor的部件2，复制完成之后，再根据变异率Pm进行自身变异，再计算每个个体的分类准确率，取出分类准确率最高的个体为emperor；2-4)如果当前的循环次数C/3，余数是0，则除emperor之外，其余个体的部件3将根据交叉率Pc复制成emperor的部件3，复制完成之后，再根据变异率Pm进行自身变异，再计算每个个体的分类准确率，取出分类准确率最高的个体为emperor；2-5)循环(2-2)-(2-4)，直到达到循环次数C，得到最优分类准确率的个体所记录下的三个部件，即为求得的最优特征子集，天数窗口和优化算法，此时emperor的分类预测准确率就是最终所求的分类预测准确率。进一步的，所述第k个个体的初始化包括，随机选取天数窗口、特征子集和优化算法，采用基于蜡烛图的SVM，根据第k个个体的以上三个部件，结合特征K线去噪、合作协同演化算法与SVM共同运算得到第k个个体的分类准确率，其中k为个体编号，k＝1，2，3……N。进一步的，所述天数窗口、特征子集、优化算法和分类准确率获取公式为：Pkk＝1,2,3...NPk.day＝rand(5-30)Pk.fea＝arandomsubsetoffeaturesetPk.opt＝rand(1-3)Pk.acc＝CCEA-SVM(Pk)其中Pk为输入SVM的数据所产生的随机种群，k为该种群中的第k个个体，Pk·day为第k个个体天数窗口的设定，Pk·fea为第k个个体特征子集的随机选取，Pk·opt为第k个个体优化算法的随机选取，Pk·acc为第k个个体分类准确率。与现有技术相比，本专利技术的有益效果是：本专利技术通过特征K线技术对金融时间序列数据进行去噪处理，利用合作协同演化算法与SVM结合的方式来获取分类预测准确率。经过特征K线的去噪处理，抽取金融时间序列的核心特征，降低了金融时间序列数据的随机性，简化了模型建立的复杂度；合作协同算法与SVM结合的本文档来自技高网...

【技术保护点】
1.一种基于特征K线和合作协同演化算法的金融时间序列预测方法，其特征在于，包括以下步骤：1)获取金融时间序列数据，采用特征K线技术对金融时间序列数据进行去噪处理；2)将去噪处理后的数据输入支持向量机，并采用合作协同演化算法来获取分类预测准确率。

【技术特征摘要】
1.一种基于特征K线和合作协同演化算法的金融时间序列预测方法，其特征在于，包括以下步骤：1)获取金融时间序列数据，采用特征K线技术对金融时间序列数据进行去噪处理；2)将去噪处理后的数据输入支持向量机，并采用合作协同演化算法来获取分类预测准确率。2.如权利要求1所述的一种基于特征K线和合作协同演化算法的金融时间序列预测方法，其特征在于，所述步骤1)中，在金融时间序列数据的K线化基础上，筛选获取具有单根、双根和多根的多种特定形态的特征K线集合，生成数据集。3.如权利要求1所述的一种基于特征K线和合作协同演化算法的金融时间序列预测方法，其特征在于，所述步骤2)中，采用基于合作协同演化算法构建的优化框架，构建金融时间序列预测模型，从而获取分类预测准确率。4.如权利要求3所述的一种基于特征K线和合作协同演化算法的金融时间序列预测方法，其特征在于，所述优化框架包括三个部件，所述部件1为特征子集的选择，所述部件2为天数窗口设定，所述部件3为优化算法的选择。5.如权利要求4所述的一种基于特征k线和合作协同演化算法的金融时间序列预测方法，其特征在于，所述特征子集的选择，包括从DIF、DEA、MACD、DMA、AMA、PSY、CLOSE、D、RSI、HIGH、OPEN、MA5、MA10、VOLUME、K、LOW、UPPERLINE、MIDDLELINE、LOWLINE、CCI和j的21个特征中随机选出1个或多个特征，构建特征子集。6.如权利要求4所述的一种基于特征K线和合作协同演化算法的金融时间序列预测方法，其特征在于，所述天数窗口设定即为滑动窗口天数大小的设定，其天数大小为5到30之间的随机值。7.如权利要求4所述的一种基于特征K线和合作协同演化算法的金融时间序列预测方法，其特征在于，所述优化算法的选择，包括随机选择1到3之间的数值，其中数值1代表网格搜索，数值2代表GA算法，数值3代表粒子群算法。8.如权利要求1所述的一种基于特征K线和合作协同演化算法的金融时间序列预测方法，其特征在于，假设循环次数是C，参与循环的个体数量是N，三个待确定部件包括部件1天数窗口设定、部件2特征子集的选择和部件3优化算法的选择，则所述合作协同演化算法包括：2-1)对N个个体分别进行初始化，得到每个个体的天数窗口、特征子集、...

【专利技术属性】
技术研发人员：骆超，姜志朋，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东,37