[发明专利]一种分析股票趋势的方法

说明书

本发明公开了一种分析股票趋势的方法，通过所述方法获取股票数据，形成特征数据集；然后初始化股票数据集的速度与位置信息，更新每一个粒子点的局部最优值点、每一个粒子每一维的迭代步数和自适应速度值，更新所有粒子点的速度及位置，从所有粒子历史局部最优值点中找到种群的全局最优值点；最后根据最优特征构建数据矩阵，将数据矩阵进行RF分类，得到分类结果，进行股票预测，预测结果正确率与BPSO—RF算法相比较。本发明利用优化后的离散二进制粒子群改进随机森林算法，剔除冗余特征，筛选最优特征，输入RF算法进行股票预测，提高预测精度；本发明方法具有较快的收敛速度，在同样的迭代步骤内能够找到更好的目标函数最优值，减少股票预测时间。

技术领域

本发明属于金融与机器学习领域，具体涉及一种基于ADB粒子群优化的随机森林算法分析股票趋势的方法

背景技术

2019年7月22日，科创板股票正式在上交所交易。由于股票市场行情的不确定，分析股票市场价格非常具有挑战性。一般来说，分析股价趋势有两种方式，一是基本面，主要是考虑到公司年收益率等；二是技术面，主要是基于过去股票数据的数学分析，包括统计计算和机器学习。机器学习最主要的方法是支持向量机、神经网络和随机森林算法。这些方法被广泛应用于金融领域，并取得较好成果。其中，结合二进制粒子群的随机森林算法预测股票趋势的准确率最高，但随着特征种类的增加，二进制粒子群在高维环境下迭代速度慢而且易早熟，导致股票预测精度下降，预测时间增加。

为了解决上述问题，我们提出ADB粒子群算法即自适应离散二进制粒子群，引入多点速度向量和自适应的速度计算方法，从而优化随机森林算法来预测股票趋势。推导得到的ADB粒子群可以提高随机森林算法的全局最优值搜索能力和收敛速度，在初期趋势变化不明显的情况下，删除冗余特征，筛选出最优特征并输入RF算法进行分类。

ADB粒子群算法，是二进制离散化表示，位置和向量均由0和1值构成，随机的初始化种群位置及速度，得到粒子的局部最优值点和局部最优值加速度，更新每个粒子每一维的迭代步数及自适应速度值，直到找到最优值。

随机森林算法，通过自助法(bootstrap)重采样技术，从原始样本集M中有放回地随机重复抽取k个样本生成新的样本集合，根据自助样本集生成k个分类树组成随机森林，新数据的分类结果按分类树投票形成的分数而定。实质上是改进决策树算法，多个决策树进行合并，每棵树的建立取决于单独抽取的一个样品，森林中的每棵树都有相同的分布，分类误差取决于每一棵树的分类能力和它们之间的相关性。针对多种数据源，可以产生高精确度的分类器；可以处理多维输入变量；决定目标对象类别时，评估变量重要性和优先级；针对一般化后的误差，在内部生成无偏差估计；在数据丢失后，仍然可以维持准确度。

发明内容

本发明运用机器学习算法，结合ADB粒子群算法，提出了一种分析股票趋势的方法。为了解决原有BPSO-RF模型的缺点，通过在离散二进制粒子群中引进多点速度向量和自适应速度值的改进，提高全局最优值搜索能力和复杂优化问题的收敛速度，从而提高随机森林算法的精确度和降低预测时间。

本发明提出的分析股票趋势的方法，包含以下步骤：

S1、获取股票数据，形成特征数据集；

S2、初始化股票数据集的速度与位置信息；

S3、更新每一个粒子点的局部最优值点、每一个粒子每一维的迭代步数和自适应速度值；

S4、更新所有粒子点的速度及位置，从所有粒子历史局部最优值点中找到种群的全局最优值点；

S5、若迭代步骤超过迭代步骤的上限或最优特征被找到，转到S6，否则返回S3；

S6、根据S5中的最优特征构建数据矩阵；

S7、根据S6中的数据矩阵进行RF分类，得到分类结果，进行股票预测，预测结果正确率与BPSO—RF算法相比较。