针对当前智能算法对证券数据预测准确度不高,以及基于最小损失函数的模型树(Model Tree based on Least Loss Function,M TLLF)预测模型不适用于证券数据的预测的问题,本文提出基于最大离差分裂算法的模型树预测方法 (M odel Tree based...针对当前智能算法对证券数据预测准确度不高,以及基于最小损失函数的模型树(Model Tree based on Least Loss Function,M TLLF)预测模型不适用于证券数据的预测的问题,本文提出基于最大离差分裂算法的模型树预测方法 (M odel Tree based on Deviation M aximization,M TDM)。使用两组包含完整牛熊市的沪深300指数日收盘价数据进行分组实验验证,得到的均方误差MSE(Mean Squared Error)分别为0.000058和0.000140;均方根误差RMSE(Root Mean Squared Error)分别为0.007634和0.011822;平均绝对百分比误差M APE(M ean Absolute Percent Error)分别为0.011857和0.011348的结果。说明了M TDM预测的稳定性较好,且预测准确度较高。并分别与基于长短记忆神经网络(Long Short-Term M emory,LSTM)和粒子群优化算法(Partical Swarm Optimization,PSO)的预测方法进行实验对比,结果表明MTDM算法的预测误差显著低于前两者。展开更多
文摘针对当前智能算法对证券数据预测准确度不高,以及基于最小损失函数的模型树(Model Tree based on Least Loss Function,M TLLF)预测模型不适用于证券数据的预测的问题,本文提出基于最大离差分裂算法的模型树预测方法 (M odel Tree based on Deviation M aximization,M TDM)。使用两组包含完整牛熊市的沪深300指数日收盘价数据进行分组实验验证,得到的均方误差MSE(Mean Squared Error)分别为0.000058和0.000140;均方根误差RMSE(Root Mean Squared Error)分别为0.007634和0.011822;平均绝对百分比误差M APE(M ean Absolute Percent Error)分别为0.011857和0.011348的结果。说明了M TDM预测的稳定性较好,且预测准确度较高。并分别与基于长短记忆神经网络(Long Short-Term M emory,LSTM)和粒子群优化算法(Partical Swarm Optimization,PSO)的预测方法进行实验对比,结果表明MTDM算法的预测误差显著低于前两者。
