[论文解读] Wisdom of Crowds Algorithm for Stock Market Predictions
本文提出了一种受'群体智慧'启发的协同过滤算法，通过聚合个体投资者的预测来预测股市走势。该方法采用加权排序和百分位评分对预测进行处理，生成股票评级，初步结果显示，排名靠前的股票年化收益率最高达到238.83%。
In this paper we present a mathematical model for collaborative filtering implementation in stock market predictions. In popular literature collaborative filtering, also known as Wisdom of Crowds, assumes that group has a greater knowledge than the individual while each individual can improve group's performance by its specific information input. There are commercially available tools for collaborative stock market predictions and patent protected web-based software solutions. Mathematics that lies behind those algorithms is not disclosed in the literature, so the presented model and algorithmic implementation are the main contributions of this work.
研究动机与目标
- 开发一种透明、数学基础坚实的协同过滤模型，用于股票市场预测，灵感源自'群体智慧'原则。
- 解决商业股票评级系统背后缺乏公开披露算法的问题，这些系统通常受专利保护且不透明。
- 设计一种自我校正系统，通过持续反馈和性能监控适应不断变化的市场动态。
- 通过时间延迟评分和基于阈值的验证规则，减轻群体思维和操纵行为的风险。
- 探索利用集体预测作为算法交易策略信号的可行性。
提出的方法
- 系统收集个体投资者对股票价格走势（上涨/下跌）的预测，并根据预测准确性和时间性赋予其评分。
- 股票评分计算为正面预测数量与总预测数量的比率，并通过百分位排名系统进行归一化。
- 公式（22）计算最终股票评分 $\theta_i = \frac{\sum_{i}^{|RO|} y_{ROi}}{\sum_{RATINGS}} $，其中 $ y_{ROi} $ 表示已确认的正面预测。
- 基于 $ \theta_i $ 值对股票分配百分位排名，使用 $ y_{\Theta i} = \frac{i}{|\Theta|} \times 100 $，确保相对表现比较。
- 公平性机制包括对活跃预测、玩家排名和预测成熟度设置最低阈值，以防止操纵行为。
- 模型采用延迟数据和基于时间的评分机制，降低羊群效应和模仿行为的风险，确保模仿者无法立即复制表现优异者。
实验结果
研究问题
- RQ1基于集体投资者预测的协同过滤系统，能否生成比个体预测更准确的股票市场预测？
- RQ2如何设计一种透明、非专利保护的算法，在无法访问其内部数学原理的情况下，复制专有股票评级系统的性能？
- RQ3反馈机制和基于绩效的加权方法在多大程度上可降低群体思维和操纵行为在集体预测中的影响？
- RQ4尽管存在市场变化和算法反馈回路，该系统的自我校正特性能否长期维持预测准确性？
- RQ5此类系统的输出是否可作为算法交易策略（包括多头和空头头寸）的有效信号？
主要发现
- 系统中排名前10的股票在一年内实现了最高达238.83%的回报率，显著跑赢观察期间的市场表现。
- 排名95.83%及以上（如VDKT-R-A）的股票实现了强劲的年化收益，其中一只股票在12个月内回报率达238.83%。
- 即使是一些一年内回报为负的股票，如LPLH-R-A（−51.68%），系统也正确识别为低绩效，表明其具备良好的预测敏感性。
- 系统在运行六个月后，已实现47名活跃玩家和130只股票的667次总预测，初步显示其可行性。
- 模型的公平性机制，包括预测成熟度和最低排名阈值，似乎有效降低了操纵风险。
- 尽管存在冷启动阶段，该系统的百分位评分和时间延迟反馈机制在缓解群体思维和羊群行为方面展现出良好前景。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。