李緗珍

摘 要：股票市場(chǎng)短期趨勢(shì)預(yù)測(cè)對(duì)政府實(shí)施有效市場(chǎng)監(jiān)管和投資者優(yōu)化資源配置具有重要意義，近年來成為學(xué)界業(yè)界的研究熱點(diǎn)。針對(duì)股票市場(chǎng)短期趨勢(shì)非線性和非平穩(wěn)的特點(diǎn)，對(duì)股票歷史數(shù)據(jù)進(jìn)行離散化處理并基于核密度方法實(shí)現(xiàn)非參數(shù)的類概率估計(jì)，在此基礎(chǔ)上運(yùn)用增強(qiáng)學(xué)習(xí)模型實(shí)現(xiàn)股票市場(chǎng)的短期趨勢(shì)預(yù)測(cè)。以國藥一致和伊利股份2019年1/2季度的股票價(jià)格進(jìn)行實(shí)證研究，將所提出的離散分類預(yù)測(cè)模型與三種股票市場(chǎng)短期趨勢(shì)預(yù)測(cè)模型（線性回歸模型、支持向量回歸模型及BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型）進(jìn)行比較，結(jié)果表明，所提出的離散分類預(yù)測(cè)模型對(duì)股價(jià)短期趨勢(shì)的預(yù)測(cè)效果更好且更加穩(wěn)定。

關(guān)鍵詞：股票趨勢(shì);短期預(yù)測(cè);離散分類模型;增強(qiáng)學(xué)習(xí)

中圖分類號(hào)：F830.91? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1673-291X（2019）26-0136-05

一、研究背景及意義

股票市場(chǎng)具有的融資功能、轉(zhuǎn)讓轉(zhuǎn)化資本和給股票賦予價(jià)格等重要職能，有助于提高資金運(yùn)作效率和反映社會(huì)經(jīng)濟(jì)及公司的發(fā)展情況，對(duì)國家經(jīng)濟(jì)建設(shè)具有重要作用。一方面，股票價(jià)格受多種潛在因素影響，如國家政治經(jīng)濟(jì)與政策、經(jīng)濟(jì)周期變動(dòng)、貨幣供應(yīng)量以及公司的經(jīng)營狀況、行業(yè)發(fā)展前景和股利分配政策等，故被稱為社會(huì)經(jīng)濟(jì)的“晴雨表”[1];另一方面，股票價(jià)格對(duì)公司經(jīng)營決策和投資者交易動(dòng)機(jī)具有重要影響，可以說與社會(huì)經(jīng)濟(jì)發(fā)展?fàn)顩r與人民生活的密切相關(guān)。因此，股票短期趨勢(shì)預(yù)測(cè)成為近年來稱為學(xué)界業(yè)界的重點(diǎn)研究對(duì)象。然而，股票市場(chǎng)是由各種人群參與的、時(shí)變的、復(fù)雜的非線性系統(tǒng)，受到自然災(zāi)害、社會(huì)、政治經(jīng)濟(jì)以及人群心理等因素影響，使得對(duì)股票短期預(yù)測(cè)面臨巨大挑戰(zhàn)[2-3]。

現(xiàn)有股票短期趨勢(shì)變化預(yù)測(cè)總體上可分為三類：（1）宏觀經(jīng)濟(jì)與企業(yè)發(fā)展?fàn)顩r相結(jié)合分析方法[4-5]。其主要思想是認(rèn)為股票是國家整體經(jīng)濟(jì)與企業(yè)運(yùn)營狀況的晴雨表，故可以通過分析宏觀經(jīng)濟(jì)事件或分析企業(yè)的決策業(yè)績(jī)等對(duì)未來股票的趨勢(shì)進(jìn)行預(yù)測(cè)。這類方法的挑戰(zhàn)在于影響趨勢(shì)的相關(guān)因素過多，例如，宏觀經(jīng)濟(jì)事件包括國家貨幣政策、行業(yè)相關(guān)政策和金融突發(fā)事件等，而企業(yè)決策業(yè)績(jī)因素包括行業(yè)前景、產(chǎn)品科技含量、管理及財(cái)務(wù)狀況等，導(dǎo)致收集相關(guān)資料費(fèi)時(shí)費(fèi)力且很難建立股票變化趨勢(shì)與這些因素之間的定量模型。（2）基于時(shí)間序列統(tǒng)計(jì)學(xué)模型的預(yù)測(cè)方法[6-7]。股票數(shù)據(jù)屬于時(shí)間序列數(shù)據(jù)，故傳統(tǒng)用于時(shí)間序列預(yù)測(cè)的統(tǒng)計(jì)學(xué)模型都可用于股票短期趨勢(shì)預(yù)測(cè)，例如常見的ARMA模型[8]、ARIMA模型[9]、GARCH模型[10]和馬爾科夫模型[11]等。這類預(yù)測(cè)技術(shù)假設(shè)股票成交信息反映宏觀經(jīng)濟(jì)與企業(yè)經(jīng)營狀況且對(duì)未來價(jià)格具有影響，通過對(duì)股票歷史數(shù)據(jù)分析，運(yùn)用統(tǒng)計(jì)回歸模型挖掘股票時(shí)序數(shù)據(jù)的內(nèi)在規(guī)律，建立股票過去價(jià)格與未來價(jià)格的量化關(guān)系。（3）基于機(jī)器學(xué)習(xí)的預(yù)測(cè)方法。近年來，隨著數(shù)據(jù)挖掘和深度學(xué)習(xí)等機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展，利用機(jī)器學(xué)習(xí)進(jìn)修股票趨勢(shì)預(yù)測(cè)受到越來越多的關(guān)注，特別是LSTM[12]和循環(huán)神經(jīng)網(wǎng)絡(luò)[13]等深度神經(jīng)網(wǎng)絡(luò)模型由于具有強(qiáng)大非線性和自學(xué)習(xí)能力，受到眾多學(xué)者重視。與基于時(shí)間序列統(tǒng)計(jì)學(xué)模型的預(yù)測(cè)方法不同，基于機(jī)器學(xué)習(xí)的股票預(yù)測(cè)模型不預(yù)先設(shè)定模型或數(shù)據(jù)分布，對(duì)股票短期趨勢(shì)預(yù)測(cè)具有較大實(shí)用性。但現(xiàn)有大部分基于機(jī)器學(xué)習(xí)的股票預(yù)測(cè)模型需要海量歷史數(shù)據(jù)訓(xùn)練模型，且模型復(fù)雜導(dǎo)致所需預(yù)測(cè)時(shí)間較長(zhǎng)。

針對(duì)上述挑戰(zhàn)，本文提出股票短期趨勢(shì)的離散分類預(yù)測(cè)模型。該模型首先對(duì)小規(guī)模的股票時(shí)間序列數(shù)據(jù)進(jìn)行離散化處理以增強(qiáng)預(yù)測(cè)穩(wěn)定性。其次利用核密度方法實(shí)現(xiàn)對(duì)股票價(jià)格進(jìn)行非參數(shù)的類概率估計(jì)。最后以決策樹作為弱預(yù)測(cè)模型并利用增強(qiáng)學(xué)習(xí)模型進(jìn)行集成預(yù)測(cè)。通過參考來自上海/深圳證券交易所、和新浪財(cái)經(jīng)的數(shù)據(jù)對(duì)國藥一致（000028）和伊利股份（600887）在2019年1/2季度的股票價(jià)格數(shù)據(jù)進(jìn)行有效驗(yàn)證，結(jié)果表明，所提出的股票短期趨勢(shì)預(yù)測(cè)模型預(yù)測(cè)準(zhǔn)確率較高且更穩(wěn)定。

二、股票短期趨勢(shì)的離散分類預(yù)測(cè)模型

現(xiàn)有股票短期趨勢(shì)預(yù)測(cè)大多利用回歸模型基于前k個(gè)股票價(jià)格序列數(shù)據(jù)X={x1，x2，…，xk-1}未來時(shí)刻的股票價(jià)格xk，即可表述為：xk=f（x1，x2，…，xk-1）。其中，回歸模型f可選擇統(tǒng)計(jì)學(xué)回歸模型，如ARMA和ARIMA等，也可以選擇支持向量回歸和馬爾科夫鏈等機(jī)器學(xué)習(xí)模型。然而，由于回歸模型將少量連續(xù)值（例如前k個(gè)股票價(jià)格序列數(shù)據(jù)）作為特征輸入，將導(dǎo)致預(yù)測(cè)模型容易過擬合且模型復(fù)雜度較高。為此，本文提出一種將連續(xù)特征離散化處理的股票短期趨勢(shì)分類預(yù)測(cè)模型，其具體步驟如下。

（一）連續(xù)特征離散化

連續(xù)特征的離散化過程是將一組連續(xù)值轉(zhuǎn)換為一組間隔，將這些間隔作為樣本的離散類標(biāo)簽。將模型輸入數(shù)據(jù)樣本記為：{（x1，y1），（x2，y2），…，（xk-1，yk-1）}，其中，xi=yi，1≤i≤k-1，離散化的目的是將的范圍劃分為等間距的一系列間隔：[b0，b1），[b1，b2），…，[bk，bk+1]，其中b0為{x1，x2，…，xk-1}的最小值且b1為{x1，x2，…，xk-1}的最大值，劃分點(diǎn){b1，b2，…，bk}的選擇需要滿足輸入數(shù)據(jù)落入每個(gè)間隔的數(shù)目相等的要求。對(duì)連續(xù)特征離散化處理后，將劃分后落入[bi，bi+1）的數(shù)據(jù)樣本類別記為ci。

假設(shè)股票價(jià)格數(shù)據(jù)的前k個(gè)股票價(jià)格序列數(shù)據(jù)為{1，3，6，7，8，9.5，10，11，12}，將其離散化為三組間隔，可求得一組劃分點(diǎn)為{1，6.5，9.75，12}，這樣每組間隔都包括三個(gè)序列數(shù)據(jù)對(duì)：{（1，1），（3，3），（6，6）}，{ （7，7），（8，8），（9.5，9.5）}，{（10，10），（11，11），（12，12）}，這三個(gè)間隔的類別分別為c0，c1，c2。

（二）類條件概率密度估計(jì)

類概率密度估計(jì)首先使用標(biāo)記數(shù)據(jù)樣本學(xué)習(xí)類概率密度估計(jì)模型，實(shí)現(xiàn)對(duì)未知類別數(shù)據(jù)的類別估計(jì)。具體包括以下兩個(gè)步驟。

1.數(shù)據(jù)樣本類別權(quán)重估計(jì)

假定cy記為輸入數(shù)據(jù)樣本y的離散化類別，p（cy|X）記為給定股票短期價(jià)格序列數(shù)據(jù)的離散化樣本為y的概率，訓(xùn)練數(shù)據(jù)的數(shù)據(jù)樣本總數(shù)記為n，nc記為離散化樣本類別為y的樣本數(shù)量。通過加權(quán)訓(xùn)練數(shù)據(jù)的離散化類別先驗(yàn)概率來估計(jì)數(shù)據(jù)樣本的類別權(quán)重，記為w（yi|X），其計(jì)算方法是加權(quán)所有離散化類別cyi的先驗(yàn)概率，計(jì)算公式如下：

數(shù)據(jù)樣本的類別權(quán)重w（yi|X）表示待預(yù)測(cè)的數(shù)據(jù)樣本序列數(shù)據(jù)的離散化樣本為yi的可能性，其計(jì)算過程依賴于離散化訓(xùn)練樣本的類概率。

2.條件概率密度估計(jì)

給定訓(xùn)練數(shù)據(jù)集中所有離散化類別的權(quán)重估計(jì)，基于單變量密度估計(jì)得到類條件概率密度估計(jì)f（y|X）。利用非參數(shù)的核密度估計(jì)方法，使用寬度為？啄k的高斯核，可得到如下的核密度估計(jì)：

高斯核寬度？啄k決定上述密度估計(jì)公式與訓(xùn)練樣本數(shù)據(jù)的切合度，可利用數(shù)據(jù)依賴的全局標(biāo)準(zhǔn)差進(jìn)行確定。

經(jīng)過上述兩個(gè)步驟，根據(jù)給定的股票短期序列數(shù)據(jù)X={x1，x2，…，xk-1}可以估計(jì)出未來股票價(jià)格數(shù)據(jù)xk所在的離散化所在間隔，將該間隔的中值作為xk的預(yù)測(cè)值。此外，采樣基于增強(qiáng)學(xué)習(xí)模型（Boosting）的思想提升模型的預(yù)測(cè)性能，具體做法重點(diǎn)關(guān)注預(yù)測(cè)誤差較大的數(shù)據(jù)樣本，在具體實(shí)現(xiàn)上，初始化所有訓(xùn)練樣本的權(quán)重都相等，對(duì)于第m次模型迭代訓(xùn)練，根據(jù)這些權(quán)重來選取樣本數(shù)據(jù)，進(jìn)而訓(xùn)練單個(gè)預(yù)測(cè)模型f1。然后，基于該預(yù)測(cè)模型的預(yù)測(cè)結(jié)果，提高被它預(yù)測(cè)誤差較大的樣本的權(quán)重，并降低被正確預(yù)測(cè)的數(shù)據(jù)樣本權(quán)重。隨后，將權(quán)重更新過的數(shù)據(jù)樣本集用于訓(xùn)練下一個(gè)預(yù)測(cè)模型f2，不斷迭代，直到預(yù)測(cè)誤差小于設(shè)定閾值或者達(dá)到設(shè)定的迭代次數(shù)。

三、應(yīng)用研究——以國藥一致（000028）及伊利股份（600887）為例

為了評(píng)估本文所提出的方法的效果，本文實(shí)證研究從選擇來自上海/深圳證券交易所的股票國藥一致（000028）和伊利股份（600887）在2019年1/2季度的股票價(jià)格數(shù)據(jù)進(jìn)行短期趨勢(shì)進(jìn)行預(yù)測(cè)。

（一）比較方法及評(píng)價(jià)指標(biāo)

為說明所提出的方法的客觀性與合理性，將本文提出的股票短期趨勢(shì)預(yù)測(cè)模型與以下三種常用的股票短期趨勢(shì)預(yù)測(cè)模型進(jìn)行比較。

1.線性回歸預(yù)測(cè)模型[14]。該方法假設(shè)前k個(gè)股票價(jià)格序列數(shù)據(jù)X={x1，x2，…，xk-1}與未來時(shí)刻的股票價(jià)格之間存在多元線性關(guān)系，即xk可由{x1，x2，…，xk-1}完全線性解釋，不能解釋項(xiàng)為不可觀察的誤差項(xiàng)e，回歸預(yù)測(cè)模型如下式所示：

xk=？茁0+？茁1x1+？茁2x2+…+？茁k-1xk-1+e（3）

其中，{？茁1，？茁2，…，？茁k-1}為帶估計(jì)的模型參數(shù)，由最小二乘法進(jìn)行估計(jì)。

2.支持向量回歸預(yù)測(cè)模型[15]。該方法借鑒支持向量思想和拉格朗日算子建立股票短期趨勢(shì)的回歸預(yù)測(cè)模型，相對(duì)于最小二乘回歸，支持向量回歸可用于非線性回歸預(yù)測(cè)模型，可處理多重共線性問題，且對(duì)數(shù)據(jù)噪聲的抗噪性更好。

3.BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[16]。該方法基于BP神經(jīng)網(wǎng)絡(luò)建立xk與{x1，x2，…，xk-1}之間的隱射關(guān)系，網(wǎng)絡(luò)包括輸入層（包括k-1個(gè)神經(jīng)元，即{x1，x2，…，xk-1}）、隱藏層（包括m個(gè)神經(jīng)元，即{z1，z2，…，zm}）和輸出層（包括1個(gè)神經(jīng)元，即xk）。輸入層i與隱藏層j之間的鏈接權(quán)重為Wij，隱藏層j與輸出層k之間的鏈接權(quán)重為Wjk?；谡`差反向傳播算法可利用訓(xùn)練數(shù)據(jù)求得連接權(quán)重Wij與Wjk。

采用均方根誤差（RMSE）和平均絕對(duì)誤差（MAE）來評(píng)價(jià)各個(gè)預(yù)測(cè)模型的性能，記N為測(cè)試數(shù)據(jù)樣本數(shù)目，xk（i）和x■■（i）分別表示第i個(gè)待預(yù)測(cè)股票價(jià)格的真實(shí)值和模型預(yù)測(cè)值，則RMSE和MAE的計(jì)算公式如下所示：

（二）股票短期預(yù)測(cè)結(jié)果分析

利用國藥一致（000028） 2019年1/2季度共118個(gè)交易日的數(shù)據(jù)進(jìn)行實(shí)證研究，采樣過去10日的收盤價(jià)預(yù)測(cè)未來5日的股票價(jià)格短期趨勢(shì)，一共包括104個(gè)預(yù)測(cè)數(shù)據(jù)，三種對(duì)比模型與本文所提出的預(yù)測(cè)模型的預(yù)測(cè)值與真實(shí)值的擬合如圖1所示。

由圖1可以看出，有了這四種股票短期趨勢(shì)預(yù)測(cè)模型（線性回歸預(yù)測(cè)模型、支持向量回歸預(yù)測(cè)模型、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和本文所提出的預(yù)測(cè)模型）對(duì)于股票短期趨勢(shì)就能進(jìn)行較好的預(yù)判。但是，當(dāng)股票短期趨勢(shì)出現(xiàn)由重組和突變引起的小幅震蕩情況時(shí)，三種對(duì)比預(yù)測(cè)模型（線性回歸預(yù)測(cè)模型、支持向量回歸預(yù)測(cè)模型、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型）的適應(yīng)度都出現(xiàn)不同程度的下降，而本文所提出的預(yù)測(cè)模型由于對(duì)少量的歷史數(shù)據(jù)進(jìn)行離散化處理，提高了模型的穩(wěn)定性。因此，對(duì)于由重組或突變引起的股票短期趨勢(shì)反復(fù)震蕩也能進(jìn)行較好的預(yù)判，預(yù)測(cè)性能優(yōu)于對(duì)比的其他三種預(yù)測(cè)方法。

為量化比較本文所提出的股票短期趨勢(shì)預(yù)測(cè)模型與其他三種對(duì)比模型的性能，還要計(jì)算出每種方法預(yù)測(cè)結(jié)果的平均絕對(duì)誤差（MAE）和均方根誤差（RMSE），如表1所示。從表1的結(jié)果可以看出，本文所提出的離散分類預(yù)測(cè)模型預(yù)測(cè)效果最好，預(yù)測(cè)結(jié)果的平均絕對(duì)誤差和均方根誤差分別為0.75和1.24，這再次說明對(duì)股票短期趨勢(shì)預(yù)測(cè)的少量連續(xù)特征進(jìn)行離散化處理不但能提高模型預(yù)測(cè)的穩(wěn)定性，還能提高模型的預(yù)測(cè)準(zhǔn)確度。相反，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型則取得了最差的預(yù)測(cè)性能，其平均絕對(duì)誤差和均方根誤差分別為1.82和2.31，相比于本文所提出的離散分類預(yù)測(cè)模型，性能分別下降了58%和46%。出現(xiàn)該現(xiàn)象的原因在于，股票短期趨勢(shì)預(yù)測(cè)能用的連續(xù)特征較少，BP神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)過擬合現(xiàn)象，雖然在訓(xùn)練數(shù)據(jù)上能取得不錯(cuò)的效果，但對(duì)于出現(xiàn)不同模式（如局部反復(fù)震蕩）的測(cè)試數(shù)據(jù)則不能進(jìn)行較好預(yù)測(cè)。

為說明本文所提出離散分類預(yù)測(cè)模型的優(yōu)越性，還利用伊利股份（600887）2019年1/2季度共118個(gè)交易日的數(shù)據(jù)進(jìn)行驗(yàn)證，同樣采樣過去10日的收盤價(jià)預(yù)測(cè)未來5日的股票價(jià)格短期趨勢(shì)。圖2為這四種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果與真實(shí)值的對(duì)比情況，可以看出這幾種模型的預(yù)測(cè)結(jié)果與國藥一致基本類似，即對(duì)于股票整體上的趨勢(shì)都能進(jìn)行較好的預(yù)判。但當(dāng)股票短期趨勢(shì)出現(xiàn)局部小幅震蕩時(shí)，三種對(duì)比預(yù)測(cè)模型的性能會(huì)急劇下降，而本文所提出的離散分類預(yù)測(cè)模型則能較好適應(yīng)這一情況。

這四種股票短期趨勢(shì)預(yù)測(cè)模型在伊利股份預(yù)測(cè)的平均絕對(duì)誤差和均方根誤差如表2所示。可以看出，本文所提出的離散回歸預(yù)測(cè)模型仍然取得了最好的預(yù)測(cè)結(jié)果，其平均絕對(duì)誤差和均方根誤差分別為0.36和0.52。與國藥一致數(shù)據(jù)的預(yù)測(cè)性能不同，這四種預(yù)測(cè)模型的平均絕對(duì)誤差和均方根誤差都存在較大幅度下降，而其他三種對(duì)比方法與本文所提出的方法的性能差距也較小。這是因?yàn)閲幰恢略谶@一時(shí)期的趨勢(shì)較為復(fù)雜多變，存在先上升在下降的整體趨勢(shì)，還有較多局部反復(fù)震蕩的現(xiàn)象。而伊利股份在這一時(shí)期雖然也存在一些局部反復(fù)震蕩的現(xiàn)象，但整體趨勢(shì)是向上走多的，所以預(yù)測(cè)模型相對(duì)來說比較容易做出預(yù)測(cè)。

結(jié)語

股票市場(chǎng)關(guān)系到國家經(jīng)濟(jì)發(fā)展、企業(yè)運(yùn)營和投資者未來盈虧，故對(duì)股票短期趨勢(shì)預(yù)測(cè)對(duì)國家行政部門、企業(yè)決策參考和投資者利益都有重大影響。但國家宏觀政策、國內(nèi)外經(jīng)濟(jì)形勢(shì)、企業(yè)運(yùn)營狀況和新聞?shì)浾摰纫蛩囟寄苡绊懝善钡亩唐谮厔?shì)，導(dǎo)致股價(jià)波動(dòng)存在復(fù)雜性和非線性，因此對(duì)股票短期趨勢(shì)預(yù)測(cè)存在嚴(yán)峻挑戰(zhàn)。與之前大多數(shù)基于連續(xù)變量回歸模型的股票預(yù)測(cè)方法不同，本文將股票預(yù)測(cè)的少量連續(xù)特征離散化，基于核密度方法實(shí)現(xiàn)非參數(shù)的類概率估計(jì)，隨后運(yùn)用增強(qiáng)學(xué)習(xí)技術(shù)建立股票短期趨勢(shì)預(yù)測(cè)模型。通過國藥一致和伊利股份2019年1/2季度的股票數(shù)據(jù)進(jìn)行實(shí)證研究，本文所提出的股票短期趨勢(shì)的離散分類預(yù)測(cè)模型不但能取得較好預(yù)測(cè)效果，而且預(yù)測(cè)穩(wěn)定性更高。

參考文獻(xiàn)：

[1]? 郭琨，周煒星，成思危.中國股市的經(jīng)濟(jì)晴雨表作用[J].管理科學(xué)學(xué)報(bào)，2012，（15）：1-9.

[2]? 李志輝，王近，李夢(mèng)雨.中國股票市場(chǎng)操縱對(duì)市場(chǎng)流動(dòng)性的影響研究——基于收盤價(jià)操縱行為的識(shí)別與監(jiān)測(cè)[J].金融研究，2018，（2）：135-152.

[3]? 黃苑，謝權(quán)斌，胡新.股票市場(chǎng)漲跌停影響因素及定價(jià)效應(yīng)[J].財(cái)經(jīng)科學(xué)，2018，（10）：24-35.

[4]? 徐添添.宏觀經(jīng)濟(jì)政策對(duì)股票市場(chǎng)影響的實(shí)證分析[J].商業(yè)會(huì)計(jì)，2015，（18）：74-76.

[5]? 王磊.基于財(cái)務(wù)視角下的股票投資分析[J].現(xiàn)代經(jīng)濟(jì)信息，2017，（17）：244-245.

[6]? 張楠.基于時(shí)間序列的股票趨勢(shì)預(yù)測(cè)研究及 R 語言應(yīng)用[J].現(xiàn)代商業(yè)，2016，（23）：112-113.

[7]? 孫曉宇，李卓然.基于線性時(shí)間序列模型對(duì)金融數(shù)據(jù)分析——以云南白藥股票數(shù)據(jù)為例[J].時(shí)代金融，2016，（14）：264-265.

[8]? 林藍(lán)玉，陳秀芳，張德飛.ARMA 模型在股票中的應(yīng)用[J].經(jīng)濟(jì)研究導(dǎo)刊，2018，（26）：53，146-148.

[9]? 吳玉霞，溫欣.基于 ARIMA 模型的短期股票價(jià)格預(yù)測(cè)[J].統(tǒng)計(jì)與決策，2016，（23）：83-86.

[10]? 柯希均.基于 GARCH 模型的股票市場(chǎng)風(fēng)險(xiǎn)度量[J].當(dāng)代經(jīng)濟(jì)，2016，（32）：12-14.

[11]? 陳爽，李丹，高洪韻.馬爾科夫鏈及其在股票價(jià)格預(yù)測(cè)中的應(yīng)用[J].現(xiàn)代經(jīng)濟(jì)信息，2017，（16）：288.

[12]? 鄧鳳欣，王洪良.LSTM 神經(jīng)網(wǎng)絡(luò)在股票價(jià)格趨勢(shì)預(yù)測(cè)中的應(yīng)用——基于美港股票市場(chǎng)個(gè)股數(shù)據(jù)的研究[J].金融經(jīng)濟(jì)，2018，（14）：96-98.

[13]? 黃麗明，陳維政，閆宏飛，等.基于循環(huán)神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的股票預(yù)測(cè)方法[J].廣西師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2019，37（1）：13-22.

[14]? 李瀟寧.多元線性回歸與時(shí)間序列模型在股票預(yù)測(cè)中的應(yīng)用[J].科技創(chuàng)業(yè)月刊，2019，32（2）：153-155.

[15]? 張鵬.基于 SVR 的股市預(yù)測(cè)與擇時(shí)研究[J].重慶文理學(xué)院學(xué)報(bào)，2016，35（2）：148-151.

[16]? 劉佳祺，劉德紅，林甜甜.基于 BP 神經(jīng)網(wǎng)絡(luò)模型的股票價(jià)格研究[J].中國商論，2018，（8）：29-30.

Short-term Prediction in Stock Market by Discrete Classification Forecasting Model

Li Xiangzhen

（Zhejiang University City College，Hangzhou 310015，China）

Abstract：Short-term prediction of the stock market is of great significance to government effective market regulation and investor resource allocation optimization，which has become a research hotspot for both academic and industry in recent years.However，the non-linear and non-stationary characteristics of short-term trend in the stock market makes it extremely difficult to predict.To solve the non-linear and non-stationary characteristics of the short-term prediction of the stock market，the stock historical data is discretized and the non-parametric class probability estimation is implemented based on kernel density method.Then，this study utilizes a boosting-based classification model to predict short-term trend of stock market.Experiment data is from the stock price of two companies in the first half of 2019，i.e.，China National Accord Medicines Corporation Ltd and Inner Mongolia Yili Industrial Group Corporation Ltd.Using this data，we compare the proposed method with three short-term forecasting models for stock market，i.e.，linear regression model，support vector regression model and BP neural network.The results show that the proposed discrete classification prediction model achieves better prediction accuracy and is more stable.

Key words：Stock trend;Short-term forecast;Discrete classification model;Boosting model