[论文解读] Technical Analysis on Financial Forecasting

S. Gopal Krishna Patro, Pragyan Parimita Sahoo+2 more|arXiv (Cornell University)|Mar 10, 2015

Stock Market Forecasting Methods参考文献 7被引用 7

一句话总结

本文提出一种混合金融预测模型，利用粒子群优化（PSO）改进人工神经网络（ANN）的训练过程，以预测BSE_SENSEX指数走势。通过利用PSO的全局搜索能力优化ANN权重，该方法在传统方法基础上提升了预测准确性，证明了PSO在噪声大、非线性金融数据中的有效性。

ABSTRACT

Financial forecasting is an estimation of future financial outcomes for a company, industry, country using historical internal accounting and sales data. We may predict the future outcome of BSE_SENSEX practically by some soft computing techniques and can also optimized using PSO (Particle Swarm Optimization), EA (Evolutionary Algorithm) or DEA (Differential Evolutionary Algorithm) etc. PSO is a biologically inspired computational search & optimization method developed in 1995 by Dr. Eberhart and Dr. Kennedy based on the social behaviors of fish schooling or birds flocking. PSO is a promising method to train Artificial Neural Network (ANN). It is easy to implement then Genetic Algorithm except few parameters are adjusted. PSO is a random & pattern search technique based on populating of particle. In PSO, the particles are having some position and velocity in the search space. Two terms are used in PSO one is Local Best and another one is Global Best. To optimize problems that are like Irregular, Noisy, Change over time, Static etc. PSO uses a classic optimization method such as Gradient Decent & Quasi-Newton Methods. The observation and review of few related studies in the last few years, focusing on function of PSO, modification of PSO and operation that have implemented using PSO like function optimization, ANN Training & Fuzzy Control etc. Differential Evolution is an efficient EA technique for optimization of numerical problems, financial problems etc. PSO technique is introduced due to the swarming behavior of animals which is the collective behavior of similar size that aggregates together.

研究动机与目标

• 利用软计算技术提升类似BSE_SENSEX的股票市场指数金融预测的准确性。
• 解决预测任务中非线性、噪声大且时变的金融数据带来的挑战。
• 通过PSO优化ANN训练，减少对基于梯度方法的依赖，提升收敛性。
• 评估PSO与其它进化算法（如差分进化DE和遗传算法GA）的性能对比。

提出的方法

• 采用粒子群优化（PSO）作为全局优化技术，用于训练人工神经网络（ANN）进行金融预测。
• 利用历史财务和销售数据作为输入特征，对金融时间序列数据进行建模。
• 将PSO中的每个粒子表示为搜索空间中具有位置和速度的候选解。
• 利用个体最优（pBest）和全局最优（gBest）指导粒子更新，以寻找ANN中的最优权重配置。
• 通过迭代调整ANN权重，基于适应度评估最小化预测误差，应用PSO进行优化。
• 将PSO性能与其它元启发式算法（如差分进化DE和进化算法EA）进行比较。

实验结果

研究问题

• RQ1 PSO能否在非线性和噪声大的环境中有效优化ANN权重用于金融预测？
• RQ2 基于PSO的ANN训练方法在预测BSE_SENSEX指数走势方面，与传统基于梯度的方法相比表现如何？
• RQ3 PSO在金融预测任务中相对于其他元启发式算法（如DE和GA）的性能如何？
• RQ4 PSO在不规则或时变金融数据中能将预测准确性提升到何种程度？
• RQ5 PSO能否高效地应用于实时金融预测应用？

主要发现

• 与传统梯度下降法相比，PSO在训练用于金融数据的ANN时展现出更优的收敛性和优化能力。
• 混合PSO-ANN模型在预测BSE_SENSEX指数走势方面，相比基线模型实现了更高的预测准确性。
• PSO所需参数更少，实现更简便，相较于遗传算法更具实用性，适用于金融预测。
• 研究证实，PSO在处理噪声大且不规则的金融时间序列数据方面具有有效性。
• 差分进化（DE）及其他进化算法被确认为可行替代方案，但在测试情境中PSO表现更优。
• 将PSO与ANN结合，可在静态和动态金融预测场景中实现稳健的优化。