裴均珂

摘要：股票的價(jià)格受多種因素影響，為提高股票價(jià)格的預(yù)測(cè)精度，本文提出一種基于麻雀搜索算法的改進(jìn)極限學(xué)習(xí)機(jī)的預(yù)測(cè)方法。根據(jù)股票市場(chǎng)相關(guān)指標(biāo)，利用TSLA的股票數(shù)據(jù)資料，運(yùn)用MATLAB軟件進(jìn)行仿真實(shí)驗(yàn)，并將SSA-ELM算法的仿真結(jié)果與ELM算法的仿真結(jié)果進(jìn)行比較。結(jié)果表明：改進(jìn)的算法模型預(yù)測(cè)誤差較小，預(yù)測(cè)精度較高，能夠在一定程度上反映股票價(jià)格波動(dòng)趨勢(shì)。

關(guān)鍵詞：麻雀搜索算法;極限學(xué)習(xí)機(jī);股票預(yù)測(cè)

1.引言

股票交易市場(chǎng)在中國(guó)金融市場(chǎng)中發(fā)揮著重要作用，股票市場(chǎng)的預(yù)測(cè)結(jié)果可以作為投資者獲利和規(guī)避風(fēng)險(xiǎn)的重要參數(shù)，同時(shí)也能為監(jiān)管者穩(wěn)定股市提供思路，因此學(xué)者們希望通過(guò)科學(xué)的方法，得到股價(jià)的波動(dòng)規(guī)律。

股價(jià)大多是很難處理的海量數(shù)據(jù)，傳統(tǒng)的預(yù)測(cè)方法無(wú)法分析關(guān)鍵信息，要想進(jìn)行更好的預(yù)測(cè)，需要考慮非線性的股票預(yù)測(cè)方法。鹿天宇等[1]提出一種主成分分析與神經(jīng)網(wǎng)絡(luò)進(jìn)行組合的模型，進(jìn)一步提高求解精度。季闊[2]改進(jìn)了權(quán)值公式，同時(shí)對(duì)算法進(jìn)行改進(jìn)，在一定程度上解決了容易陷入局部最優(yōu)的問(wèn)題。郭怡然，王秀麗[3]引入了遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，但是所選取的指標(biāo)數(shù)量相對(duì)較少。Zhang等[4]將LSTM作為生成器，MLP作為判別器對(duì)股票預(yù)測(cè)模型進(jìn)行改進(jìn)，得到的結(jié)果錯(cuò)誤率較少，然而，當(dāng)采用MLP作為判別器時(shí)，深層次的神經(jīng)網(wǎng)絡(luò)容易導(dǎo)致分類(lèi)的準(zhǔn)確性降低。

為此本文提出一種基于麻雀搜索算法的改進(jìn)極限學(xué)習(xí)機(jī)股票預(yù)測(cè)模型，利用麻雀搜索算法[5]對(duì)初始權(quán)值和閾值進(jìn)行優(yōu)化，構(gòu)建了基于麻雀搜索算法優(yōu)化極限學(xué)習(xí)機(jī)的預(yù)測(cè)模型，并選擇股票數(shù)據(jù)相關(guān)指標(biāo)，結(jié)合TSLA歷史數(shù)據(jù)進(jìn)行回歸預(yù)測(cè)和分析。

2.麻雀搜索算法和極限學(xué)習(xí)機(jī)

2.1極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)模型由三部分組成，即輸入層、隱含層與輸出層，層與層神經(jīng)元之間全相連。主要步驟如下：

（1）確定隱含層神經(jīng)元個(gè)數(shù)，隨機(jī)初始化輸入層與隱含層之間的連接權(quán)值w和隱含層神經(jīng)元的閾值a;

（2）選用Sig作為隱含層激活函數(shù)，計(jì)算隱含層輸出矩陣H;

（3）計(jì)算輸出層權(quán)值，T是期望的輸出向量：。

2.2麻雀搜索算法

麻雀搜索算法是受到麻雀覓食行為的啟發(fā)，主要過(guò)程包括初始化種群;發(fā)現(xiàn)者位置更新;加入者位置更新;預(yù)警者位置更新;適應(yīng)度值更新。

3.基于麻雀搜索算法優(yōu)化的極限學(xué)習(xí)機(jī)

首先將數(shù)據(jù)分成訓(xùn)練集和數(shù)據(jù)集，利用麻雀搜索算法優(yōu)化ELM隨機(jī)給定的初始權(quán)值和閾值。訓(xùn)練集誤差的損失函數(shù)作為適應(yīng)度函數(shù)：

優(yōu)化后的最佳初始權(quán)值和閾值用于網(wǎng)絡(luò)訓(xùn)練和測(cè)試數(shù)據(jù)集。具體步驟如下：

（1）初始化參數(shù);

（2）進(jìn)行ELM訓(xùn)練獲取均方誤差作為麻雀種群的適應(yīng)度值;

（3）計(jì)算每只麻雀的適應(yīng)度值，找出當(dāng)前全局最優(yōu)適應(yīng)度值及對(duì)應(yīng)的位置;

（4）更新麻雀種群位置;

（5）更新最優(yōu)麻雀位置和最優(yōu)的適應(yīng)度值;

（6）判斷是否達(dá)到終止條件;

（7）若已經(jīng)達(dá)到終止條件，獲取優(yōu)化后的相關(guān)參數(shù);若沒(méi)有達(dá)到終止條件，則繼續(xù)進(jìn)行迭代;

（8）進(jìn)行ELM仿真測(cè)試。

4.仿真實(shí)驗(yàn)與結(jié)果分析

本節(jié)采用MATLAB 2016a仿真軟件，基于Intel core i5-7200U @2.50GHz雙核處理器，64位win10系統(tǒng)完成算法的設(shè)計(jì)。

4.1樣本數(shù)據(jù)選取

本文選取2010年6月29日到2018年9月28日的TSLA股票日數(shù)據(jù)進(jìn)行研究。選取最高價(jià)、最低價(jià)、開(kāi)盤(pán)價(jià)、收盤(pán)價(jià)和成交量5個(gè)指標(biāo)進(jìn)行觀察，其中收盤(pán)價(jià)作為輸出數(shù)據(jù)，其余作為輸入數(shù)據(jù)。

4.2結(jié)果分析

為了驗(yàn)證SSA-ELM模型對(duì)于股票指數(shù)的預(yù)測(cè)能力，本文將麻雀算法優(yōu)化后的SSA-ELM與基礎(chǔ)ELM進(jìn)行了比較，前1978天的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后101天的數(shù)據(jù)作為測(cè)試數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明ELM對(duì)于結(jié)果預(yù)測(cè)來(lái)說(shuō)有一定的準(zhǔn)確性，但是相比來(lái)說(shuō)，SSA-ELM對(duì)結(jié)果的預(yù)測(cè)更為準(zhǔn)確。另外SSA-ELM的輸出絕對(duì)誤差大部分都在之間，而ELM的絕對(duì)誤差較為明顯，故改進(jìn)的算法預(yù)測(cè)結(jié)果具有一定的可靠性。同樣從SSA-ELM的收斂曲線可知，最終的適應(yīng)度函數(shù)最優(yōu)值在左右，且顯示收斂速度較快，表明SSA-ELM模型具有有著較好的收斂速度和訓(xùn)練精度。

ELM試驗(yàn)結(jié)果測(cè)試集MSE誤差為3.7853，SSA-ELM試驗(yàn)結(jié)果測(cè)試集MSE誤差為2.9708，這表明SSA-ELM收斂結(jié)果精確，具有更高的穩(wěn)定性，在股市預(yù)測(cè)上取得了良好的效果。

5.結(jié)論

針對(duì)ELM回歸模型的不穩(wěn)定性和股票價(jià)格的波動(dòng)性等問(wèn)題，提出了一種SSA-ELM的預(yù)測(cè)方法，并用TSLA數(shù)據(jù)進(jìn)行了驗(yàn)證，可以得到以下結(jié)論：

（1）預(yù)測(cè)結(jié)果表明：改進(jìn)的算法收斂速度更快，訓(xùn)練精度更高，誤差更小，降低了后期陷入局部最優(yōu)的可能性，有助于獲得全局最優(yōu)，具有較高的實(shí)用價(jià)值。

（2）SSA-ELM模型通過(guò)TSLA的股票歷史數(shù)據(jù)進(jìn)行收盤(pán)價(jià)預(yù)測(cè)，雖然結(jié)果具有一定的可靠性，但是預(yù)測(cè)精度不是很高，為了提高結(jié)果準(zhǔn)確性，可以考慮通過(guò)改進(jìn)算法來(lái)減少誤差值。另外，本文只從收盤(pán)價(jià)、開(kāi)盤(pán)價(jià)、最高價(jià)、最低價(jià)和交易量5個(gè)指標(biāo)數(shù)據(jù)進(jìn)行股票預(yù)測(cè)，指標(biāo)數(shù)量較少，下一步可以繼續(xù)進(jìn)行完善指標(biāo)，提高正確率。

參考文獻(xiàn)

[1]鹿天宇，都萊娜，王海遠(yuǎn)等.基于主成分分析與神經(jīng)網(wǎng)絡(luò)組合的股價(jià)變化趨勢(shì)預(yù)測(cè)[J].電腦知識(shí)與技術(shù)，2019，15（06）：170-172+177.

[2]季闊. 基于BP神經(jīng)網(wǎng)絡(luò)的股票價(jià)格走勢(shì)預(yù)測(cè)[D].鄭州大學(xué)，2018.

[3]郭怡然，王秀利.基于BP神經(jīng)網(wǎng)絡(luò)的股市大小盤(pán)風(fēng)格輪動(dòng)預(yù)測(cè)[J].計(jì)算機(jī)仿真，2019，36（03）：239-242.

[4]Zhang K， Zhong G， Dong J ， et al. Stock market prediction based on generative adversarial network[J]. Procedia Computer science，2019，147：400-406.

[5]Xue J， Shen B. A novel swarm intelligence optimization approach： sparrow search algorithm[J]. Systems Science and Control Engineering An Open Access Journal， 2020， 8.