【技术实现步骤摘要】
广义的基于多任务非对称临近支持向量机的股票价格预测方法
[0001]本申请涉及适用于商业、金融趋势信息预测的数据处理方法，具体涉及一种股票价格预测方法。
技术介绍
[0002]股票市场的稳定发展是国家政府和投资者关注的焦点，分析股票市场指数的运行趋势以及股票价格的波动变化成为学术界和金融界广泛热议的课题。至今，国内外学者在股市预测方面已经进行了大量研究，但由于股票市场自身具有复杂非线性、高维度、噪声敏感以及不稳定性等特征，使得对其进行合理且准确的波动预测分析显得尤为困难。
[0003]现有的股市预测方法主要分为三类：市场技术分析、基本面分析以及量化分析方法。市场技术分析方法通过研究股票价格的形态曲线来挖掘其中的周期性规律，从而预判股票价格指数的运行趋势和波动范围。该法需要遵循“量、价、时、空”要素的复杂组合变化且难以避免时间的滞后性，当不同的技术指标间相互背离时容易引发对市场趋势的误判。基本面分析方法主要从宏观市场经济、行业发展前景以及企业发展潜能三个维度来评估企业的盈利能力，需要从业人员掌握完备的金融市场经济理论及...
【技术保护点】
【技术特征摘要】
1.广义的基于多任务非对称临近支持向量机的股票价格预测方法，其特征在于，包括以下步骤：步骤1：获取若干个股票指数在预测日之前的交易日行情数据并进行预处理，得到数据集；每个股票指数为一个单独的学习任务；步骤2：构造非对称平方ε不敏感损失函数，调节超参数使其更好地适应所述数据集的分布特性；步骤3：根据多任务学习假设，在临近支持向量机的基础上建立基于多任务非对称临近支持向量机的数学优化模型；步骤4：对多任务学习假设中的通用模型和私有模型采用相同或不同的核函数区分学习任务间的通用信息和私有信息，得到广义的基于多任务非对称临近支持向量机的数学优化模型；步骤5：由KKT条件将广义的基于多任务非对称临近支持向量机的数学优化模型转化为其对偶规划问题；步骤6：通过求解对偶规划问题得到广义的基于多任务非对称临近支持向量机的决策函数；从所述数据集中取出部分数据作为训练样本集，利用训练样本集学习得到股票指数预测模型；步骤7：从所述数据集中取出目标股票指数对应的数据，通过所述股票指数预测模型输出股票指数预测结果。2.根据权利要求1所述的广义的基于多任务非对称临近支持向量机的股票价格预测方法，其特征在于，步骤1中所述若干个股票指数包括上证指数、深证成指、创业板指数以及中小板指数；历史行情数据包括每个交易日的前收盘价、最高价、最低价、收盘价、涨跌额、涨跌幅、成交量、成交额、换手率、振幅、总市值、流通市值、市盈率、市净率、市现率、市销率、开盘价。3.根据权利要求1所述的广义的基于多任务非对称临近支持向量机的股票价格预测方法，其特征在于，步骤2中构造的非对称平方ε不敏感损失函数为其中ε值决定不敏感区域的宽度，表示决策函数对预测结果的容错程度；p是与非对称特性相关的参数，用来改变损失函数的形状以尽可能地适应所述数据集的分布特性。4.根据权利要求1所述的广义的基于多任务非对称临近支持向量机的股票价格预测方法，其特征在于，步骤3中构建多任务学习假设为：对于彼此不同却相互关联的学习任务，所有任务之间共享一个通用模型ρ0，同时每个子任务具有私有模型η
t
，则每个子任务的决策函数表示为：其中ω0和分别表示通用模型的法向量和非线性映射函数，υ
t
和φ(
·
)是私有模型
中的法向量和非线性映射函数；b0是通用模型ρ0对应决策超平面的偏置项，b
t
表示每个子任务私有模型η
t
的偏置项。5.根据权利要求4所述的广义的基于多任务非对称临近支持向量机的股票价格预测方法，其特征在于，步骤3中多任务学习包括T个彼此不同却相互关联的子任务，表示所有学习任务的样本属性集，Y表示所有学习任务的样本标签集；每个任务中包含m
t
个样本点其中样本属性值样本标签值共有个数据点，T＞1。6.根据权利要求5所述的广义的基于多任务非对称临近支持向量机的股票价格预测方法，其...
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。