基于模式识别的股票价格预测研究.docx

基于模式识别的股票价格预测研究

摘??要：基于模式识别的时间序列数据分析方法，因其能够揭示复杂、非线性的股价运行模式，在经济学、统计学和机器学习领域受到了广泛的关注。为了避免人判断的主观性，因此采用一种与双底形态的目标模板进行对比的方法，把一维的股价时间序列变换成二维的图形与目标模板进行对比，对比后相似度高的时间片段能作为未来市场价格上涨的信号。实验结果表明，此方法能够产生正收益，且对股票的未来涨跌具有一定的预测能力。

关键词：模式识别；股票价格预测；机器学习；人工神经网络

中图分类号：F830.592????文献标志码：A???文章编号：1673-291X（2024）08-0081-04

引言

在对金融时间序列数据进行分析时，技术分析投资者认为，股票价格的未来走势是能够基于某些特定形态来进行预测的，因为他们相信在金融市场中“历史会重演”。对于股票价格形态的研究有助于投资者作出合理的投资决策[1]，因此，技术分析投资者把对股价走势形态的分析认作是一种能够在时域上评估特定股票未来变动趋势的技巧[2，3]。而随着金融科技应用范围的逐渐扩大，这一领域越来越受到人们的关注[4]。

美国经济学家尤金·法玛提出的有效市场假说[5]认为，投资人是不可能战胜市场的，任何股价形态都无法提前反映股票的未来走势。与此相对的，有一些研究人员支持市场并非有效的观点。这一观点揭示了投资者能够通过使用如基本面分析、技术面分析等来击败市场。为实现这一目标，本文试图找到一个能够处理大量数据并且基于數据生成适当交易信号（买入或卖出）的投资策略，这是本文的研究目的。目前已有研究人员提出不同的方法来表示时间序列，常见的表示可以分为三类：基于生成式模型的表示方式、基于变换的表示方式和基于时域的表示方式。生成式模型使用不同模型中的参数来表示时间序列，如隐马尔可夫模型[6]、贝叶斯网络[7]等。基于变换的表示方式旨在将原始数据转移到另一特征空间来表示时间序列，如离散傅立叶变换[8]、时间序列符号聚合近似方法SAX[9]。基于时域的表示方式的核心是从原始时间序列中找出具有代表性的点，如感知重要点PIP[10]、分段线性逼近PLA[11]、分段聚合逼近PAA[12]、分段常数逼近PCA[13]等。上述这几种基于时域的表示方式，其本质上都是进行数据降维工作，用少数的数据来重新表示原始时间序列[14]。

一、相关工作

（一）证券投资分析

在证券投资分析领域主要有两种分析方法：基本面分析和技术分析。基本面分析利用与公司有关的财务数据来寻找出同一行业中最具有竞争力的公司。技术分析是通过分析股票的历史价格图表来识别趋势以预测股票未来的走势。它是通过事先定义一些技术指标，当技术指标达到某一阈值时即意味着产生出了买入、卖出的投资机会[15]。技术指标通常是通过股票的历史价格计算出新的数值来预测未来的价格。比如波动率指标，如果该技术指标的走势不稳定并且其数值朝着正反两个方向不断变化，则说明该支股票波动率较大，其股价日后出现大涨或者大跌的概率也较大[16]。

（二）模式识别

由于国内A股市场缺乏做空手段，普通投资者只能以做多来盈利。因此，本文选取代表见底回升转势形态的双底形态（又称W底）为研究对象。双底形态技术分析中的经典形态，代表股价趋势将发生巨大变化，股价将从先前下跌趋势中发生反转。它的形状像英文字母W，股价先是下跌然后反弹，在形成了第一个底部之后第二次下跌至与第一次下跌底部接近的价格水平后股价又一次发生反弹，股价在两次触及低点之后都发生了反弹，此时这个低点被认为是一个重要的支撑位，股价有可能开始转势上涨。图1是展示双底形态的示意图。

在过往研究中已有研究者使用不同的方法来识别股票技术形态，如感知重要点PIP、时间序列符号聚合近似方法SAX等。本文采用与模板对比的方法，使用一个储存着各个点相应权重的矩阵[17]作为模板，如图2所示。通过把股价序列与目标模板进行对比，当股票的价格恰巧落在目标形态所在的点上，则给予该点高分；当股价远离目标形态时，则给予低分。最终对整个矩阵中各个点的分值求和得到表征拟合程度的拟合值，拟合值越高则表明待检测的股价序列与目标模板越接近。

二、方法

我们使用图2作为模板来进行股价形态识别。这是一个10×10的矩阵，矩阵中的每一个元素代表该点的权重Wij，其值介于1到-2之间。在这个矩阵中，权重值定义为1的区域代表着股价走势呈现出以双底或双顶形态，在图中以深色显示。我们用代表着双底形态与双顶形态的模板和待检测股票收盘价的时间序列数据进行匹配，具体方法是，将待检测股票时间序列的收盘价格取一个宽度为40个交易日的时间窗口，从最早的价格开始与模板对照，之后将时间窗口向后移动一个交易日进行下一次匹配，之后逐步向前直至对整个时间序列完成匹配。对待检测股价序列与