结合缠论和深度学习的股价拐点预测研究

doi:10.3778/j.issn.1002-8331.2101-0189

摘要/Abstract

摘要： 针对股市存在伪分型且分型数据集的类别样本不平衡问题，提出了一种结合缠论和深度学习的拐点预测方法（SMOTE-FLCN-WSVM）。在缠论的基础上，对数据集进行拐点的标注。深度学习模型从数据、特征以及分类算法三个层面对不平衡问题进行改进。首先采用SMOTE过采样算法对数据集进行预处理；再针对不平衡数据集特征提取困难的问题，使用引入Focal Loss的卷积神经网络挖掘数据的深层特征；然后利用引入类别权重参数的支持向量机对提取的特征进行分类。实验从实用性与有效性出发，选择绝对收益、相对收益与准确率对模型进行对比实验与收益评估。实验结果表明，所提模型具有可行性与实际应用价值。

关键词: 缠论, 合成少数类过采样技术（SMOTE）, 焦点损失函数, 卷积神经网络（CNN）, 加权支持向量机（WSVM）

Abstract: Aiming at the problem of pseudo typing in the stock market and the imbalance of category samples of the typing data set. A turning point prediction method（SMOTE-FLCN-WSVM） combining entanglement theory and deep learning is proposed. On the basis of entanglement theory, the inflection point of the data set is marked. The deep learning model improves the imbalance problem from three levels of data, features and classification algorithms. Firstly, the SMOTE oversampling algorithm is used to preprocess the data set. In order to solve the problem of difficult feature extraction of imbalanced data sets. A convolutional neural network with Focal Loss is used to mine the deep features of the data. Then the support vector machine that introduces the category weight parameter is used to classify the extracted features. The experiment starts from practicability and effectiveness, absolute return, relative return and accuracy rate are selected to compare the model and evaluate the return. The experimental results show that the proposed model has feasibility and practical application value.

Key words: entanglement theory, synthetic minority oversampling technique（SMOTE）, Focal Loss, convolutional neural network（CNN）, weight support vector machine（WSVM）

田红丽, 杨莹莹, 闫会强. 结合缠论和深度学习的股价拐点预测研究[J]. 计算机工程与应用, 2022, 58(16): 319-325.

TIAN Hongli, YANG Yingying, YAN Huiqiang. Research on Stock Price Turning Point Prediction Based on Entanglement Theory and Deep Learning[J]. Computer Engineering and Applications, 2022, 58(16): 319-325.

参考文献

[1] 胡悦.金融市场中的神经网络拐点预测法[J].金融经济，2017（9）：81-82.
HU Y.Neural network turning point forecasting method in financial market[J].Finance & Economy，2017（9）：81-82.
[2] 姚宏亮，施振振，王浩.数据分布可变的股市拐点预测方法[J].合肥工业大学学报（自然科学版），2020，43（1）：45-51.
YAO H L，SHI Z Z，WANG H.Stock turning point prediction with variable data distribution[J].Journal of Hefei University of Technology（Natural Science），2020，43（1）：45-51.
[3] 杨新斌，黄晓娟.基于支持向量机的股票价格预测研究[J].计算机仿真，2010，27（9）：302-305.
YANG X B，HUANG X J.Study about application of stock price forecasting based on support vector machine[J].Computer Simulation，2010，27（9）：302-305.
[4] HOSEINZADE E，HARATIZADEH S.CNNpred：CNN-based stock market prediction using a diverse set of variables[J].Expert Systems with Applications，2019，129：273-285.
[5] 宋睿.基于CNN-LSTM的股票中长期趋势预测[J].电子技术与软件工程，2020（4）：160-161.
SONG R.CNN-LSTM-based stock mid-to-long-term trend prediction[J].Electronic Technology & Software Engineering，2020（4）：160-161.
[6] 张永安，颜斌斌.一种股票市场的深度学习复合预测模型[J].计算机科学，2020，47（11）：255-267.
ZHANG Y A，YAN B B.Deep learning hybrid forecasting model for stock market[J].Computer Science，2020，47（11）：255-267.
[7] 田红丽，李成群，闫会强.缠论和相似灰色模型的预测方法在股价拐点预测中的研究应用[J].计算机应用研究，2020，37（6）：1666-1669.
TIAN H L，LI C Q，YAN H Q.Research and application of prediction method based on entanglement theory and similar grey model in prediction of stock price inflection point[J].Application Research of Computers，2020，37（6）：1666-1669.
[8] JIN Z G，YANG Y，LIU Y H.Stock closing price prediction based on sentiment analysis and LSTM[J].Neural Computing and Applications，2020，32（13）：9713-9729.
[9] 郑兴，王领，秦璐，等.基于WSVM的股票转折点预测研究[J].现代计算机（专业版），2017（6）：7-11.
ZHENG X，WANG L，QIN L，et al.Research on stock turning point forecast based on WSVM[J].Modern Computer（Professional Edition），2017（6）：7-11.
[10] 程一梅.基于SMOTE-SVM的股价反转点研究[D].广州：暨南大学，2017.
CHENG Y M.The research on stock price reversal point based on SMOTE-SVM[D].Guangzhou：Jinan University，2017.
[11] CHEN Y J，HAO Y J.Integrating principle component analysis and weighted support vector machine for stock trading signals prediction[J].Neurocomputing，2018，321：381-402.
[12] LUO L K，YOU S Y，XU Y R，et la.Improving the integration of piece wise linear representation and weighted support vector machine for stock trading signal prediction[J].Applied Soft Computing，2017，56：199-216.
[13] 蔺晓.基于卷积神经网络的股票交易反转点与异常点检测[D].武汉：华中科技大学，2016.
LIN X.Convolutional neural network based detection of outliers and turning points in stock trading[D].Wuhan：Huazhong University of Science and Technology，2016.
[14] 石陆魁，秦志娇，闫会强.基于最小方差的股市拐点预测方法[J].计算机应用研究，2017，34（11）：3373-3378.
SHI L K，QIN Z J，YAN H Q.Stock turning point prediction method based on minimum variance[J].Application Research of Computers，2017，34（11）：3373-3378.
[15] CHAWLA N V，BOWYER K W，HALL L O，et al.SMOTE：synthetic minority over-sampling technique[J].Journal of Artificial Intelligence Research，2020，16（1）：321-357.
[16] 王超学，张涛，马春森.面向不平衡数据集的改进型SMOTE算法[J].计算机科学与探索，2014，8（6）：727-734.
WANG C X，ZHANG T，MA C S.Improved SMOTE algorithm for imbalanced datasets[J].Journal of Frontiers of Computer Science and Technology，2014，8（6）：727-734.
[17] LIN T Y，GOYAL P，GIRSHICK R B，et al.Focal Loss for dense object detection[C]//2017 IEEE International Conference on Computer Vision，Italy，Oct 22-29，2017.Washington：IEEE Computer Society，2017：2999-3007.