本文選題：混合式特征選擇　切入點(diǎn)：改進(jìn)遺傳算法　出處：《北京交通大學(xué)》2017年碩士論文

【摘要】：股票分類一直是金融和投資領(lǐng)域中重要的研究方向,并且是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。股票分類的關(guān)鍵是股票特征選擇及分類模型的確定。近年來(lái)許多研究表明,成功的特征選擇方法可以提高分類的準(zhǔn)確性。那么,問(wèn)題的關(guān)鍵是如何選擇股票分類中具有代表性的特征。本文提出一種改進(jìn)的混合式特征選擇方法。這種新的兩階段特征選擇方法結(jié)合了三種過(guò)濾式方法和改進(jìn)的遺傳算法(IGA),其中,IGA作為封裝式方法,用于識(shí)別最優(yōu)特征子集,從而提高分類的準(zhǔn)確性和泛化能力。首先,使用三種不同的過(guò)濾式方法,實(shí)現(xiàn)特征的快速排序,并由此獲得每個(gè)特征的權(quán)重。特征的權(quán)重作為重要的先驗(yàn)信息應(yīng)用在改進(jìn)的遺傳算法中。在下一階段,首先,先驗(yàn)信息用在遺傳算法的初始種群設(shè)定上,從而加速種群的收斂;然后,改進(jìn)交叉和變異算子,降低隨機(jī)性造成的不利影響,引導(dǎo)搜索最佳特征子集,通過(guò)先驗(yàn)信息增加群體多樣性;最后,引入多種群遺傳算法(MPGA),可以同時(shí)結(jié)合三種過(guò)濾式特征選擇方法的優(yōu)勢(shì)并做出魯棒和準(zhǔn)確的決策。本文選取從2009年至2013年在上海證券交易所交易的A股1108家公司的4173個(gè)真實(shí)歷史數(shù)據(jù),以股票年回報(bào)率的變化趨勢(shì)為輸出變量,選取七大類24個(gè)具有代表性的財(cái)務(wù)指標(biāo)作為輸入變量,實(shí)證本文提出的混合式特征選擇方法的有效性。通過(guò)橫縱向?qū)Ρ葘?shí)驗(yàn),比較分析了單種群改進(jìn)遺傳算法(SPIGA)和傳統(tǒng)遺傳算法(GA),GA、MPGA和本文提出的IGA。實(shí)驗(yàn)結(jié)果表明,IGA具有比過(guò)濾式方法和傳統(tǒng)遺傳算法更高的精度水平和更好的泛化能力。IGA可以成功選擇出股票分類的重要特征,通過(guò)選出的特征重新對(duì)股票分類,結(jié)果表明,IGA是有效并且適用的特征選擇工具,選擇的特征是股票分類的良好指標(biāo)。
[Abstract]:Stock classification has always been an important research direction in the field of finance and investment, and it is a challenging task. The key of stock classification is the selection of stock characteristics and the determination of classification model. Successful feature selection methods can improve the accuracy of classification. The key to the problem is how to select the representative features in stock classification. In this paper, an improved hybrid feature selection method is proposed. This new two-stage feature selection method combines three filtering methods and an improved one. Genetic algorithm (GA), in which IGA is used as encapsulation method, It is used to identify the optimal feature subset, thus improving the accuracy and generalization of classification. Firstly, three different filtering methods are used to realize the rapid sorting of features. The weight of each feature is obtained. As an important priori information, the weight of the feature is applied in the improved genetic algorithm. In the next stage, the prior information is used in the initial population setting of the genetic algorithm to accelerate the convergence of the population. Then, the crossover and mutation operators are improved to reduce the adverse effects caused by randomness, to guide the search for the best feature subset, and to increase population diversity through prior information. By introducing multi-population genetic algorithm (MPGA), we can combine the advantages of three filtered feature selection methods and make robust and accurate decisions. This paper selects 1108 A-share companies traded on the Shanghai Stock Exchange from 2009 to 2013. 4173 real historical data, Taking the change trend of stock annual return as output variable, 24 representative financial indexes of seven categories are selected as input variables, and the effectiveness of hybrid feature selection method proposed in this paper is demonstrated. The comparison between single population improved genetic algorithm (SPIGA) and traditional genetic algorithm (GA) and IGA proposed in this paper shows that IGA has higher precision level and better generalization ability than filter method and traditional genetic algorithm. Successful selection of important characteristics of stock classification, The result shows that IGA is an effective and applicable feature selection tool and the selected feature is a good index of stock classification.
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：F832.51;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 楊蒙召;趙春剛;顧澤元;;基于PCA和Rough Set在股票分類中的研究[J];科學(xué)技術(shù)與工程;2009年04期

2 李云飛;惠曉峰;;基于支持向量機(jī)的股票投資價(jià)值分類模型研究[J];中國(guó)軟科學(xué);2008年01期

3 葉在福,單淵達(dá);基于多種群遺傳算法的輸電系統(tǒng)擴(kuò)展規(guī)劃[J];電力系統(tǒng)自動(dòng)化;2000年05期

相關(guān)碩士學(xué)位論文 前8條

1 白榮全;銀行信用評(píng)分中的混合式特征選擇方法研究[D];北京交通大學(xué);2015年

2 麻景豪;基于同步理論的大規(guī)模數(shù)據(jù)聚類算法分析及應(yīng)用研究[D];電子科技大學(xué);2015年

3 張明;基于改進(jìn)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)模型的研究[D];內(nèi)蒙古大學(xué);2014年

4 王志;基于PCA-NBC算法的股票分類研究[D];蘭州大學(xué);2014年

5 陶雨雨;決策樹及神經(jīng)網(wǎng)絡(luò)算法在股票分類預(yù)測(cè)中的應(yīng)用[D];杭州電子科技大學(xué);2014年

6 李曉嵐;基于Relief特征選擇算法的研究與應(yīng)用[D];大連理工大學(xué);2013年

7 詹財(cái)鑫;基于SVM_AdaBoost模型的股票漲跌實(shí)證研究[D];華南理工大學(xué);2013年

8 崔珊珊;遺傳算法的一些改進(jìn)及其應(yīng)用[D];中國(guó)科學(xué)技術(shù)大學(xué);2010年

，

本文編號(hào)：1655859