论文部分内容阅读
股票市场受政策、经济和投资者心理等诸多因素的影响,是一个高度复杂的非线性动态系统。准确地预测股票价格可以向投资者提供相关的决策建议,有助于投资者获得期望的收益。 论文研究了将遗传规划的理论与技术和时间序列结合用于股票价格的预测,构建了时间序列自适应模型,然后预测一支股票的收盘价,并与其它方法构建的股票价格预测模型相比较,评价分析其预测效果。 首先对股票价格时间序列自适应建模过程进行了总体设计。把建模过程转化为模型空间中距离最小化的优化问题,定义了模型表示方法、函数集和终端节点集的组成元素,描述了算法树的生成方法,选定了个体的适应度值计算方法,遗传操作算子,以及进化的终止准则等。然后把时间序列自适应建模过程编程实现。在程序设计时,充分考虑到模型要实现的功能,并把它划分为四个模块,对模型的不同部分因地制宜采用不同的设计模式、数据接口、数据结构设计等,而且用户可以通过设计的图形界面获取模型列表。最后利用得到的时间序列自适应模型预测一支股票未来一段时间的收盘价,并与ARIMA方法得到的模型相比较。 创新之处在于:第一,在遗传规划的自适应建模过程中加入时间序列元素,描述了时间序列模型的个体表达式结构,以及面向时间序列建模的评价准则,从数据驱动的角度来实现时间序列模型的自适应建模。第二,开发了MySQL数据库接口,以方便软件以后进行升级和扩展。设计了简洁的用户界面,使建模结果一目了然。 在建模过程中,通过遗传规划的自适应搜索功能自动寻找模型,避免了传统方法中模型选择困难的情况。程序中的模块设计和设计模式的选择等,不仅降低了系统编程的复杂度,而且提升了系统的运行速度。建模的结果表明,时间序列自适应模型预测股票价格精度高于ARIMA模型,有助于遗传规划在预测领域进行深入研究。