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, ...
【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、...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。