公开(公告)号：CN110163412A

公开(公告)日：2019-08-23

申请号：CN201910298961.8

申请日：2019-04-15

Applicant: 杭州电子科技大学

Inventor： 方昕 ,  陈玲玲

IPC: G06Q10/04 ,  G06Q40/04 ,  G06N3/00 ,  G06N20/10

Abstract: 本发明公开了一种基于改进的支持向量机股票收益率预测方法，使用步骤如下：S1,支持向量机对股票收益率进行分类预测时，无法识别和选择高效的特征，结合BPSO优化特征选择机制，选择最优特征，并作为特征属性输入SVM算法；S2,SVM算法存在参数选择困难问题，利用粒子群算法搜索SVM参数，提出改进支持向量机进行股票趋势预测的混合分类方法；本发明消除无关或效果重复的特征属性，减少输入特征的维度，减小了股票趋势预测的时间；提高支持SVM的分类预测性能。采用BPSO算法帅选出最优特征作为输入变量输入到粒子群优化的SVM算法中，有效提高了股票趋势预测的精确性，大大降低了输入技术指标的复杂性。

公开(公告)号：CN110059852A

公开(公告)日：2019-07-26

申请号：CN201910180723.7

申请日：2019-03-11

Applicant: 杭州电子科技大学

Inventor： 方昕 ,  陈玲玲

IPC: G06Q10/04 ,  G06Q10/06 ,  G06Q40/04 ,  G06K9/62 ,  G06N3/00

Abstract: 本发明公开了一种基于改进随机森林算法的股票收益率预测方法，本发明针对股票收益率分类预测时，随机森林存在的参数选择困难以及分类性能问题，RF算法本身无法识别并选择更高效的特征的缺点，结合粒子群算法优化特征选择机制，在趋势变化初期不明显的情况下，筛选出最优特征，且作为属性输入RF算法，提出PSO-GRID-RF股票趋势预测的混合方法；本发明缩小了特征子集，剔除无关或效果重复的特征属性，降低了输入的维度，减少了股票趋势预测的时间；在多属性特征环境下，提出高效特征选择方法，同时引入网格搜索算法优化随机森林参数，从而提高随机森林的分类预测性能，大幅度提高了股票趋势预测的准确率。