[论文解读] Forecasting Stock Market with Support Vector Regression and Butterfly Optimization Algorithm

Mohammadreza Ghanbari, Hamidreza Arian|arXiv (Cornell University)|May 27, 2019

Stock Market Forecasting Methods参考文献 37被引用 9

一句话总结

该论文提出了一种新颖的BOA-SVR模型，将支持向量回归（SVR）与蝴蝶优化算法（BOA）相结合，以提升股票市场预测的准确性和效率。通过使用BOA优化SVR的关键参数（C、γ、ε），该模型在三个纳斯达克股票上的预测准确率（以MSE和MAPE衡量）和计算速度方面均优于11种其他元启发式SVR模型。

ABSTRACT

Support Vector Regression (SVR) has achieved high performance on forecasting future behavior of random systems. However, the performance of SVR models highly depends upon the appropriate choice of SVR parameters. In this study, a novel BOA-SVR model based on Butterfly Optimization Algorithm (BOA) is presented. The performance of the proposed model is compared with eleven other meta-heuristic algorithms on a number of stocks from NASDAQ. The results indicate that the presented model here is capable to optimize the SVR parameters very well and indeed is one of the best models judged by both prediction performance accuracy and time consumption.

研究动机与目标

• 解决SVR在金融时间序列预测中关键参数最优选择的挑战。
• 提出一种新颖的混合BOA-SVR模型，利用蝴蝶优化算法实现SVR参数的高效校准。
• 在预测准确率和计算效率方面，评估BOA-SVR模型相较于11种现有元启发式算法的表现。
• 证明BOA作为非线性、非凸参数校准在金融建模中的竞争性优化技术的有效性。

提出的方法

• 研究采用相空间重构方法，利用嵌入维数（m）和时间延迟（τ）将原始股票价格时间序列转换为多维输入空间。
• 采用径向基函数（RBF）核的支撑向量回归（SVR），其三个关键参数为：惩罚因子（C）、核宽度（γ）和ε管半径（ε）。
• 蝴蝶优化算法（BOA）用于搜索SVR的参数空间，模拟蝴蝶觅食行为，通过信息素共享和概率性移动决策实现优化。
• BOA通过最小化训练数据上的均方误差（MSE）和平均绝对百分比误差（MAPE）来优化SVR参数。
• 将BOA-SVR的性能与11种其他元启发式算法（PSO、GA、SSA、BBO、FA、HSO、SCA、ABC、IWO、CSA和TLBO）进行对比，所有算法均用于SVR参数调优。
• 模型在纳斯达克市场微软、Facebook和英特尔股票的日收盘价上进行验证，结果通过MSE、MAPE和Diebold-Mariano检验进行分析，以评估统计显著性。

实验结果

研究问题

• RQ1 蝴蝶优化算法（BOA）能否有效优化支持向量回归（SVR）在股价预测中的参数？
• RQ2 在金融时间序列上，BOA-SVR模型相较于11种其他元启发式算法在预测准确率和计算效率方面表现如何？
• RQ3 BOA-SVR模型是否在统计上显著优于基线SVR和其他元启发式-SVR混合模型？
• RQ4 在不同股票上，由BOA调优的SVR最优参数值（C、γ、ε）分别是多少？
• RQ5 BOA-SVR模型在多个金融时间序列数据集上是否表现出鲁棒性和一致性？

主要发现

• 在微软股票上，BOA-SVR模型实现了最低的均方误差（MSE）0.0015，优于所有11种对比模型。
• 在Facebook股票上，BOA-SVR模型的MSE为0.0016，MAPE为0.1284，准确率位居前列。
• 在英特尔股票上，BOA-SVR模型的MSE为0.0017，MAPE为0.0451，计算时间仅为6.58秒，是测试中最快的模型之一。
• Diebold-Mariano检验表明，BOA-SVR在微软和Facebook股票上显著优于PSO-SVR、GA-SVR、BBO-SVR等模型，p值显示具有统计显著性。
• BOA-SVR模型在准确率与速度之间实现了最佳平衡，计算时间始终低于大多数竞争对手，包括FA-SVR（70.8秒）和ABC-SVR（52.9秒）。
• 通过BOA-SVR调优的微软股票最优参数为：C = 31.2107，γ = 0.0273，ε = 0.0225，各项指标表现最优。