机器学习在股票中的应用

机器学习在股票预测中的应用什么是机器学习？第一部分1.学习的概念学习是人类具有的一种重要智能行为，但究竟什么是学习，长期以来却众说纷纭。社会学家、逻辑学家和心理学家都各有其不同的看法。按照人工智能大师西蒙的观点，学习就是系统在不断重复的工作中对本身能力的增强或者改进，使得系统在下一次执行同样任务或类似任务时，会比现在做得更好或效率更高。西蒙对学习给出的定义本身，就说明了学习的重要作用。什么是机器学习？2，机器学习

机器学习就是计算机自动获取知识，它是知识工程的三个分支（使用知识、表实知识、获取知识）之一。这一章将介绍机器学习的基本问题，包括：为什么研究机器学习、什么是机器学习、机器学习的发展历史、学习的一个模型、机器学习的分类和机器学习的研究目标。第二部分机器学习的主要策略？3、机器学习什么叫做机器学习(machinelearning)？至今，还没有统一的“机器学习”定义，而且也很难给出一个公认的和准确的定义。为了便于进行讨论和估计学科的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义，机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机；现在是电子计算机，以后还可能是中子计算机、光子计算机或神经计算机等等。第三部分1、机械学习（记忆学习）在机械学习（记忆学习)中基本没有变换。由施教者提供的信息或多或少被学习系统记忆和使用。这时环境提供的信息与执行环节使用的信息有相同的水平，同样的形式。实际上每台计算机都可以看作是机械学习（记忆学习),因为它们都存贮用户送入的程序。一个例子是Samuel的西洋象棋程序（1956，1967），它记忆每个棋局以便提高下棋水平。机器学习的主要策略2、传授学习（指点学习）

在传授学习中，学习环节进行的变换只是对施教者提供的信息进行选择和改造，这主要是在语法层的变换。这时环境提供的信息过于抽象，它的水平高于执行环节所用信息的水平。学习环节把较高水平的知识变换为较低水平的知识。这种变换称为实用化。实用化主要有下列步骤：由传授的信息推出结论，作出假设以补充一些细节和确定何时需要进一步传授。实用化过程类似于编译系统把高级语言程序变换成机器码程序。第一个例子McCarthy(1958)的系统。最近的系统有TEIRESLAS（Davis,1976）和FOO（Mostow,1979和1981）。机器学习的主要策略机器学习的主要策略3、归纳学习在归纳学习中，变换过程是对输入信息的一般化和选择最合理的预期结果，这就是归纳推理。归纳学习可以分为以下实例学习、观察与发现学习。4，演绎学习

在演绎学习中，学习系统由给定的知识进行演绎的保真推理，并存储有用的结论。这种策略近几年才作为一种独立的学习策略。（Michalski,1983）演绎学习包括知识改造、知识编译、产生宏操作、保持等价的操作和它保真变换。综合分类1）经验性归纳学习

(empiricalinductivelearning)。经验性归纳学习采用一些数据密集的经验方法（如版本空间法、ID3法，定律发现方法）对例子进行归纳学习。其例子和学习结果一般都采用属性、谓词、关系等符号表示。它相当于基于学习策略分类中的归纳学习，但扣除联接学习、遗传算法、加强学习的部分。2）分析学习（analytic??learning）。分析学习方法是从一个或少数几个实例出发，运用领域知识进行分析。其主要特征为：

·推理策略主要是演绎，而非归纳；

·使用过去的问题求解经验（实例）指导新的问题求解，或产生能更有效地运用领域知识的搜索控制规则。分析学习的目标是改善系统的性能，而不是新的概念描述。分析学习包括应用解释学习、演绎学习、多级结构组块以及宏操作学习等技术。综合分类3、类比学习它相当于基于学习策略分类中的类比学习。目前，在这一类型的学习中比较引人注目的研究是通过与过去经历的具体事例作类比来学习，称为基于范例的学习(case_basedlearning)，或简称范例学习。4，遗传算法遗传算法适用于非常复杂和困难的环境，及通过很长的执行过程才能确定当前行为的价值等。同神经网络一样，遗传算法的研究已经发展为人工智能的一个独立分支综合分类5）联接学习典型的联接模型实现为人工神经智能，其由称为神经元的一些简单计算单元以及单元间的加权联接组成。6）加强学习加强学习的特点是通过与环境的试探性（trialanderror）交互来确定和优化动作的选择，以实现所谓的序列决策任务。在这种任务中，学习机制通过选择并执行动作，导致系统状态的变化，并有可能得到某种强化信号（立即回报），从而实现与环境的交互。强化信号就是对系统行为的一种标量化的奖惩。系统学习的目标是寻找一个合适的动作选择策略，即在任一给定的状态下选择哪种动作的方法，使产生的动作序列可获得某种最优的结果（如累计立即回报最大）。人工神经网络人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activationfunction）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。BP神经网络BP（BackPropagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidelayer)和输出层(outputlayer)。什么是股票？第一部分1.股票（stock）的概念股票又称为股份(shares)或股东权益(equity)，它是证券的一种，是拥有该公司股份的证明，它代表持有人有权参与公司资产和利润的分配。今日，数以百万计的美国大众不是拥有公开上市交易的公司股票，就是拥有投资股票的共同基金。股票的价值取决於其持有人和其他投资人买进或卖出该股票的意愿。例如，若某公司表现良好或投资人对其未来前景深具信心，该公司股价就有可能升高。股票的价格和价值不一定名实相符。有些股票的价格低於分析家认为它该有的价格，因此而被低估了，有些股票的价格又有可能被高估。分析和预测股票未来的表现？2，基本面分析一项广泛地用於股票投资市场的分析方式，是将注意力集中於基本面上。影响基本面的因素包括公司盈利、现金流量和资产负债表统计数字，再加上整体经济情况和和产业型态等。这项分析著眼於表现於公司股价的，公司目前的价值是否彻底的反应出投资人对其未来表现的预期。第二部分分析和预测股票未来的表现？3、技术分析第二项用於投资的方式是，强调和交易活动有关的技术因素。技术分析或图表藉由分析以往的趋势来预测股价未来的走向。例如，股价向上突破历史新高点，代表它还有向上发展的空间。基本面和技术面之间，明显的有一定关系。若股价看起来似乎有往上升高的趋势，可能表示它有不错的基本面，例如公司发布不错的盈利报告或宣布新产品相关新闻。虽然掌握交易型态有助於决定进场时机，然而技术分析有相当的专业需求。第三部分分析和预测股票未来的表现？第四部分4.过往的表现虽然股票过往的表现并不一定能说明其未来的发展，但是检视其过往的表现仍有必要。例如检视史坦普深入分析报告书(Standard&Poor'sEnhancedAnalytics)所载的过去10年来的盈利趋势报告，该公司的年收入和利润是否逐年成长？如果不是，为什么？另外，年收入的成长主要是来自营业额的成长、新产品的销售、企业购并或价格的提升？获利率的趋势为何？利润和年收入的比率是否逐年成长？

分析和预测股票未来的表现？第四部分4.过往的表现多样化-不要把所有的鸡蛋(资金)放在同一个篮子(股票)里

多样化是一项风险管理技术，亦即将种类繁多的投资产品融合於一个投资组合中。其机制在於藉由分散资金於不同的股票上，将单一股票对整体投资组合所带来的冲击减到最低。如此一来，若某个股票或某部份的投资不幸失利，您的损失也有限度。

分析和预测股票未来的表现？第四部分股票市场是一个高度复杂的非线性动态系统，其变化规律既有一定的自身的趋势性，又受政治、经济、心理等诸多因素的影响，各因素的影响程度、时间范围和方式又不尽相同，造成异常复杂的价格波动变化，使对其准确预测变成一件异常困难的任务。尽管如此,一代又一代的学者和投资者不断的从不同角度、不同理论、不同投资策略和不同的实际经验中发展出了众多的预测方法。建立在数理统计基础上的传统定量预测方法在对股市的研究中面临着许多困难，而神经网络具有自组织、自适应等特点，能自动从历史数据中提取有关经济活动中的知识，因而非常适用于解决股票预测领域中的一些问题。然而传统BP网络应用与股票预测，单一考虑收盘价为时间序列矢量，预测精度不高。在BP网络输入矢量中加入其他因素矢量，又因为数据量大，网络模型训练负担大，训练精度不高。所以提出一种自组织特征映射网络SOFM与BP网络结合的两步预测方法。首先借用灰色关联度思想，从众多技术指标中选出刻画股票市场状态的技术指标集合。然后利用SOFM网络的自组织分类能力，对股票市场状态进行分类,在SOFM网络定性分类的基础上BP网络进行分类预测。

股票预测第四部分传统的股票技术分析方法有移动平均线法、点数图法、K线图澍4'5】等，它们可以预测一段时间内股指变化的大致走势，但短期股票价格的变化往往是投资者更感兴趣的信息。此外，传统的股票技术分析方法还要事先知道各种参数，以及这些参数在什么情况下应作怎样的修正，对被预测对象的要求过于具体且严格。传统的时间序列分析法如指数平滑预测法、ARMA(AutoRegressiveMovingAverageModel，自回归移动平均模型)以及ARCH(AutoRegressiveConditionalHeteroskedasticityModel，自回归条件异方差模型)等，只有在确认某类预测股票预测第四部分

模型的前提条件得到满足的情况下，才可以使用该模型进行预测，否则预测结果是不可靠的。另一方面，一般计量统计的时间序列模型很难处理高度非线性的问题。然而，股票市场是一个极其复杂的动力学系统，高噪声、严重非线性和投资者的盲目任意性等因素决定了股票预测的复杂与困难度，应用现有的技术分析方法，预测结果往往不尽人意。近年来，随着计算机技术和人工智能技术的迅猛发展，为股票市场的建模与预测提供了新的方法，而神经网络作为一种有效的智能信息处理技术，能依据数据本身的内在