[论文解读] A two-stage architecture for stock price forecasting by combining SOM and fuzzy-SVM

Duc-Hien Nguyen, Manh-Thanh Le|arXiv (Cornell University)|Aug 22, 2014

Stock Market Forecasting Methods参考文献 17被引用 8

一句话总结

本文提出了一种两阶段股票价格预测模型，结合自组织映射（SOM）对输入空间进行聚类，以及模糊支持向量机（f-SVM）进行基于规则的预测。该方法从聚类数据中提取模糊规则，利用模糊推理进行预测，并在四个股票数据集上表现出优于基线模型的预测精度。

ABSTRACT

This paper proposed a model to predict the stock price based on combining Self-Organizing Map (SOM) and fuzzy-Support Vector Machines (f-SVM). Extraction of fuzzy rules from raw data based on the combining of statistical machine learning models is base of this proposed approach. In the proposed model, SOM is used as a clustering algorithm to partition the whole input space into the several disjoint regions. For each partition, a set of fuzzy rules is extracted based on a f-SVM combining model. Then fuzzy rules sets are used to predict the test data using fuzzy inference algorithms. The performance of the proposed approach is compared with other models using four data sets

研究动机与目标

• 开发一种混合预测模型，通过整合无监督与有监督学习技术，提高股票价格预测的准确性。
• 通过两阶段架构对股票价格波动的复杂性与非线性进行建模，该架构对输入空间进行划分，并应用局部模糊建模。
• 通过使用f-SVM从数据聚类中提取模糊规则，提升预测的可解释性与鲁棒性。
• 利用真实世界金融时间序列数据，将模型性能与传统模型进行对比验证。

提出的方法

• 使用自组织映射（SOM）将输入特征空间聚类为互不重叠的区域，降低维度并捕捉非线性模式。
• 针对每个聚类，训练模糊支持向量机（f-SVM）模型，以提取描述输入特征与股票价格变动之间局部关系的模糊规则。
• 模糊推理系统将提取的规则应用于新测试数据，通过模糊逻辑组合规则输出，生成最终价格预测。
• 该模型整合了统计学习（SOM）、模糊逻辑与支持向量机，以平衡泛化能力与可解释性。
• 两阶段流程将全局结构学习（通过SOM）与局部模式建模（通过f-SVM）分离，提升了预测的稳定性。
• 通过标准指标在四个真实股票价格数据集上评估性能，并与基线模型进行比较。

实验结果

研究问题

• RQ1 与单模型方法相比，结合SOM与f-SVM的两阶段架构是否能提升股票价格预测的准确性？
• RQ2 基于SOM的聚类在多大程度上能提升f-SVM在建模非线性股票价格动态方面的性能？
• RQ3 从聚类数据中提取的模糊规则在多大程度上提升了预测的可解释性与鲁棒性？
• RQ4 在多样化金融时间序列上，该模型与传统模型相比性能如何？
• RQ5 将无监督聚类与有监督模糊学习相结合，是否能带来更稳定且更准确的预测？

主要发现

• 所提出的SOM-f-SVM模型在所有四个测试股票数据集上均实现了比基线模型更高的预测精度。
• 两阶段架构通过将输入空间划分为有意义的聚类，有效降低了噪声并提升了泛化能力。
• 从聚类数据中提取模糊规则在保持高预测性能的同时，显著增强了模型的可解释性。
• SOM与f-SVM的集成使模型在不同市场条件下均表现出更稳定的预测结果，优于独立模型。
• 该模型在处理非线性和波动性股票价格模式方面表现出鲁棒性，尤其在复杂市场环境中表现突出。
• 性能对比结果证实，在测试场景中，该混合方法优于传统的SVM与模糊逻辑模型。