合作协同演化算法在特征K线预测中的应用研究

发布时间：2020-05-05 04:55

【摘要】：金融市场对国民经济的作用不断提高,无论是政府还是投资者,都对金融市场价格行为的研究具有较大兴趣。金融时间序列的K线化,可以有效降低金融数据噪音。依据统计概率,某些特定单根或者多根K线组合出现后,在后续一段时间内通常会跟随固定的变化趋势,称之为特征K线。简单的特征K线和某些指标的组合是常用的技术分析方式,但依靠人的主观经验很难寻找到这种复杂的组合关系。利用人工智能算法,则更有可能寻找到其中错综复杂的关系。本文的主要研究内容包括两部分。第一部分是先对金融时间序列数据进行特征K线化处理,然后在合作协同演化算法框架下使用传统SVM对数据进行建模分析。对金融时间序列数据进行特征K线化处理的方式可以有效降低金融时间序列数据的噪音。传统SVM是一个优秀的分类器,运行速度较快,适合金融数据高频交易的应用场景。合作协同演化算法具有优化大规模模型的能力,可以提高模型的分类精度。本文第二部分提出重建训练集支持向量机和轮盘赌合作协同演化算法。重建训练集支持向量机(Reconstructed Training Set Support Vector Machine,RTS-SVM)是本文针对金融时间序列数据的高噪音和分布不均的特点而提出的一种新的支持向量机。“软间隔”支持向量机建模后,原训练样本数据依据分类边界划分成三类不同的数据集。根据每类数据集对模型精度的影响,对数据进行取舍,重新建立新的训练集,从而提高分类预测结果。使用轮盘赌策略改进合作协同演化算法,常用的合作协同演化算法是逐次优化每个子部件,但有的子部件对模型精度的贡献很小,却获得同样的优化次数,增加了建模时间。而本文的轮盘赌合作协同演化算法(Roulette Cooperative Coevolution algorithm,R-CC)则是依据每个子部件对模型精度贡献值的占比,分配优化概率,对模型精度贡献大的子部件会改变更多次,降低模型的时间复杂度,提升模型的优化效果。
【图文】：

协同演化,算法,种群

山东师范大学硕士学位论文金融时间序列时，模型训练完成后是固定的，而测试集一直在区别源于噪音的影响。所以优化次数不宜过多，只能想办法提续尝试使用轮盘赌策略优化合作协同演化算法，在相同优化次演化算法是一个多种群优化算法，常用在解决大规模的复杂问演化的方式，，通过构造多个子种群，建立它们之间竞争或者合同进化，以达到种群优化的目的。如图 2-1 所示，如果把系统子系统的可行解集为一个子种群，子种群用 A-P 表示，每个子应子系统的一个解。而优化A中的一个个体时，必须用到B-P中群中取出一个个体则可以完整表示整个系统的解。通过种群之 Z 的优化结果。

变化图,特征子集,准确率,变化图

分类准确率 55.1537%。SVM 在等于 12 时取得最大分类准确如表 3-1 所示，优化算法是 LIBSVM 自带的网格搜索。经过实式可以提高模型的分类精度。M 模型与 CANDEL+SVM 模型在不同寻优算法上获得的分类精效性，寻优算法有三种。如下图 3-4 所示，SVM+CANDEL 在的时候取得最高预测分类准确率 55.6842%。SVM 在 n 等于 1，高预测分类准确率等于 53.7634%。此时特征子集如表 3-1 所示12，SVM+CANDEL 的窗口大小是 16。经实验验证，使用特征分类精度。实验结果是在倒锤线这一种特征 K 线上获得的，为了验证其他，还在其余 29 种特征 K 线上进行了相同的实验，实验结果在 CANDEL+SVM 在 30 中不同的特征 k 线中，三种优化算法的是下跌趋势中看涨的形态，后 15 种是上涨趋势中看跌的形态（实验观察，多种特征 K 线均有相同效果，都提高了模型分类精
【学位授予单位】：山东师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F830.91;TP18

【相似文献】