【股市预测的神经网络实证】：从数据预处理到模型调优

# 1. 股市预测与神经网络基础

## 1.1 股市预测的概念

股市预测是指利用历史股票价格数据或其他相关信息来预测未来股票市场走势的一系列分析方法。这些预测可以是短期的，比如下一小时的股价变动，也可以是长期的，如未来一年的市场趋势。

## 1.2 神经网络的基本原理

神经网络是一种受人类大脑启发的计算模型，由大量的节点（或称“神经元”）构成，这些节点通过参数化的连接相互连接。它通过学习数据中的模式和结构，实现对数据的预测和分类等功能。股市预测中常用到的神经网络包括前馈神经网络、卷积神经网络和循环神经网络等。

## 1.3 神经网络在股市预测中的应用

在股市预测中，神经网络能够处理和分析复杂的非线性关系，且在处理高维数据时有天然的优势。其核心优势在于能够通过数据驱动的方式发现股票价格变化的潜在规律，并构建预测模型。然而，由于股市的复杂性和不确定性，神经网络在股市预测中的应用也面临众多挑战。

graph TD
    A[股市预测] --> B[数据收集]
    B --> C[数据预处理]
    C --> D[特征工程]
    D --> E[模型选择与训练]
    E --> F[模型优化]
    F --> G[风险管理和评估]
    G --> H[实证分析与解释]
    H --> I[结论与未来展望]

上图展示了一个简化的股市预测工作流程，每一步都是构建有效预测模型的关键。从收集和处理数据到建立和优化模型，再到对模型进行风险管理和实证分析，每一步都需要精确的操作和深入的分析。

# 2. 数据预处理和特征工程

### 2.1 数据预处理的理论与方法

#### 2.1.1 数据清洗

在股市预测中，数据通常是嘈杂的，可能包含缺失值、异常值以及格式不一致的问题。数据清洗的目的是为了清除数据中的不一致性，修正错误，以及处理异常值，从而提高数据的质量和可用性。

为了识别和处理缺失数据，我们通常使用统计方法或基于模型的方法。比如，我们可以用均值、中位数或者众数来填充缺失值。对于异常值，可以根据数据的分布特性来使用Z-score或者IQR（四分位距）方法进行识别和处理。

代码示例：

import pandas as pd
from scipy import stats

# 假设df是我们的DataFrame
# 用均值填充缺失值
df.fillna(df.mean(), inplace=True)

# 使用Z-score方法识别异常值
z_scores = stats.zscore(df.select_dtypes(include=[np.number]))
abs_z_scores = np.abs(z_scores)
filtered_entries = (abs_z_scores < 3).all(axis=1)
df = df[filtered_entries]

### 2.1.2 数据归一化和标准化

由于股票价格或者指数的数值范围可能非常大，不同特征的量纲也可能不同，直接使用这些原始数据作为输入特征可能会导致模型训练效率低下。归一化和标准化是常用的两种数据缩放方法，它们有助于加快模型的收敛速度，并提升模型性能。

归一化通常是指将数据缩放到0和1之间的过程，而标准化则是将数据转换为均值为0，标准差为1的分布。在Python中，使用Scikit-learn库的MinMaxScaler和StandardScaler可以非常方便地完成这两种操作。

代码示例：

from sklearn.preprocessing import MinMaxScaler, StandardScaler

# 归一化处理
scaler = MinMaxScaler()
df_scaled = scaler.fit_transform(df)

# 标准化处理
scaler = StandardScaler()
df_scaled = scaler.fit_transform(df)

### 2.2 特征选择和特征工程

#### 2.2.1 特征重要性评估

特征选择对于构建高效率、高性能的预测模型至关重要。通过特征选择，我们可以去除那些冗余或不相关的特征，从而减少模型的复杂度，提升模型的预测精度。在股市预测中，特征重要性评估可以使用基于模型的特征选择方法，如随机森林或梯度提升机。

代码示例：

from sklearn.ensemble import RandomForestRegressor

# 使用随机森林回归模型评估特征重要性
rf = RandomForestRegressor(n_estimators=100, random_state=42)
rf.fit(X_train, y_train)
importances = rf.feature_importances_

# 打印特征重要性
for name, importance in zip(X_train.columns, importances):
    print(f"{name}: {importance}")

### 2.3 时间序列数据处理

#### 2.3.1 时间序列数据的特点

时间序列数据是按时间顺序排列的一系列数据点，股市数据就是典型的时间序列数据。时间序列数据通常具有趋势、季节性和周期性等特点。分析这些特征可以为股市预测提供有价值的信息。

在股市预测的上下文中，时间序列数据的这些特点意味着我们需要特别关注数据的时间相关性，并利用这种相关性来提高预测模型的准确性。

#### 2.3.2 时间序列数据的特征提取方法

为了将时间序列数据转换为模型能够理解的格式，我们需要提取有用的特征。时间序列特征提取方法包括滑动窗口统计量、滞后变量的生成、周期性指标的创建等。

在Python中，我们通常使用Pandas库的rolling和shift方法来计算移动窗口统计量，并创建滞后特征。

代码示例：

# 计算移动平均线
df['rolling_mean'] = df['stock_price'].rolling(window=50).mean()

# 创建滞后特征
df['previous_day_price'] = df['stock_price'].shift(1)

在处理时间序列数据时，我们可能会创建大量特征。这时候，可以使用一些工具如Featuretools来自动化特征工程的过程，它能够基于时间关系生成大量有用的特征。

表格示例：

| 特征类型 | 特征名称 | 描述 |
| --- | --- | --- |
| 滑动窗口统计 | rolling_mean | 过去50个交易日的平均股价 |
| 滞后特征 | previous_day_price | 前一天的收盘价 |
| 时间相关性 | day_of_week | 交易日是星期几 |
| 周期性指标 | month_end | 是否月底 |

通过本章节的介绍，我们了解了数据预处理和特征工程在股市预测中的重要性。下一章我们将深入探讨构建神经网络模型的过程，包括选择合适的神经网络架构，训练和验证，以及利用深度学习库和工具。

# 3. 构建神经网络模型

## 3.1 选择合适的神经网络架构

在构建股市预测模型时，选择一个合适的神经网络架构是关键的第一步。这通常取决于数据的特性、预测任务的复杂性以及模型的可解释性要求。

### 3.1.1 常见的神经网络类型

在金融市场预测中，多种类型的神经网络已经被应用。其中比较主流的网络类型包括但不限于：

- 前馈神经网络（Feedforward Neural Networks, FNNs）：适用于处理静态数据集。
- 循环神经网络（Recurrent Neural Networks, RNNs）：擅长处理序列数据，能够捕捉时间序列中的时间依赖关系。
- 长短期记忆网络（Long Short-Term Memory Networks, LSTMs）：一种特殊的循环神经网络，解决了传统RNNs在长期依赖上的问题。
- 卷积神经网络（Convolutional Neural Networks, CNNs）：尽管最初用于图像处理，但已被证明在捕捉时间序列中的局部特征方面有效。

### 3.1.2 架构选择依据

选择合适的网络架构需要考虑以下因素：

- **数据特性**：数据是否具有时间序列的特性，或者是一系列独立的样本。
- **预测任务**：预测任务是否需要理解数据间的长期依赖关系，还是能够接受短期的数据依赖。
- **资源限制**：模型复杂性可能会影响计算成本和训练时间。
- **可解释性**：对于金融领域，模型的可解释性往往比在其他领域更为重要。

## 3.2 神经网络的训练和验证

训练神经网络并确保其泛化能力，需要对训练过程进行细致的控制和评估。

### 3.2.1 训练过程中的关键参数

在训练过程中，以下参数通常需要细致调优：

- **学习率**：控制模型权重更新的步长大小，影响模型收敛速度及能否收敛到最优解。
- **批大小**：每次训练模型所使用的样本数量，影响模型训练的内存消耗和速度。
- **损失函数**：衡量模型预测值与实际值差异的函数，是模型优化的目标。
- **优化器**：更新网络权重的算法，常见的优化器包括SGD、Adam、RMSprop等。

### 3.2.2 验证策略和模型评估指标

验证策略和评估指标是确保模型性能的关键：

- **交叉验证**：将数据集分成K份，轮流使用其中一份作为验证集，其余作为训练集。
- **指标选择**：对于回归问题常用的指标包括均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）。
- **混淆矩阵**：对于分类问题，可以帮助我们了解预测的准确性。

## 3.3 常用的深度学习库和工具

构建神经网络模型通常需要依赖专门的深度学习库和工具。

### 3.3.1 TensorFlow和Keras简介

TensorFlow是Google开发的一个开源的机器学习框架，它能够以数据流图的形式来表示计算任务，非常适合需要大规模计算的深度学习应用。

Keras是一个高层神经网络API，它能够在TensorFlow之上运行，并提供了一个更加简洁、易用的接口来构建深度学习模型。Keras的模块化设计使得新手更容易上手，同时也支持快速实验。

### 3.3.2 PyTorch和其他深度学习框架

PyTorch是另一个广泛使用的深度学习框架，由Facebook开发。PyTorch特别注重灵活性和速度，能够实现动态计算图，非常适合研究工作。

除了TensorFlow和PyTorch之外，还有如Microsoft Cognitive Toolkit（CNTK）、Apache MXNet等其他深度学习框架，它们各有特色和优势，可以根据具体项目需求和开发者的熟悉度来选择。

### 代码示例

下面是一个简单的使用TensorFlow和Keras构建一个简单的前馈神经网络的示例代码，用于预测股票市场的价格走势：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 假设我们已经有了特征数据X和标签y
# X, y = ...

# 数据预处理
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 构建模型
model = Sequential([
    Dense(64, activation='relu', input_shape=(X_train.shape[1],)),
    Dense(32, activation='relu'),
    Dense(1, activation='linear')
])

# 编译模型
***pile(optimizer='adam', loss='mse', metrics=['mae'])

# 训练模型
model.fit(X_train, y_train, epochs=100, batch_size=32, validation_split=0.1)

# 评估模型
test_loss, test_mae = model.evaluate(X_test, y_test)

在这个例子中，我们首先导入了必要的库，并使用`StandardScaler`对数据进行了标准化处理。然后，我们定义了一个简单的前馈神经网络模型，包含三个层。模型使用Adam优化器和均方误差（MSE）作为损失函数进行了编译。之后，我们对模型进行了训练，最后使用测试集对模型性能进行了评估。

在这个过程中，我们通过调整模型的层数、神经元的数量、激活函数、优化器等，来进行网络架构和训练过程的优化。此外，我们还可能需要调整学习率、批大小等训练参数，以获得更好的预测结果。

# 4. 模型调优与风险管理

## 4.1 超参数优化

### 4.1.1 超参数调优的理论基础

在神经网络模型中，超参数是指那些在学习过程开始前设定的参数，它们不能通过学习过程直接从数据中学习得到，而是需要根据经验和实验来调整。超参数通常包括学习率、批次大小(batch size)、网络层数、每层的神经元数量、激活函数选择等。超参数的选择对模型的性能有着决定性的影响。

调优这些参数的过程通常是一个试错的过程，可能需要反复进行多次实验。合理的超参数设置能够加快模型的收敛速度，避免过拟合或欠拟合，从而提高模型在未知数据上的预测能力。

### 4.1.2 实践中的超参数优化技术

实践中，超参数优化常用的方法包括网格搜索(grid search)、随机搜索(random search)、贝叶斯优化(Bayesian optimization)等。

**网格搜索**是一种穷举的方法，它在预定义的参数值上构建模型，并评估它们的性能。这种方法简单直观，但当超参数空间较大时会非常耗时。

**随机搜索**则是在每个超参数上随机选择值，这种方法能够以更少的实验次数探索较大的参数空间。

**贝叶斯优化**是一种更为高效的策略，它通过构建一个概率模型来预测最优超参数的位置，并选择那些最有可能改进模型性能的参数进行实验。贝叶斯优化考虑了参数之间的依赖关系，并且能够自适应地调整搜索策略。

### 代码实现超参数优化

下面是一个使用贝叶斯优化库`hyperopt`对神经网络超参数进行优化的代码示例：

from hyperopt import hp, fmin, tpe, STATUS_OK, Trials
from keras import models
from keras.layers import Dense
from sklearn.model_selection import train_test_split

# 加载数据集
X, y = # 加载数据集的代码

# 定义超参数空间
space = {
    'hidden_layers': hp.choice('hidden_layers', [
        [Dense(units=16, activation='relu')],
        [Dense(units=32, activation='relu'), Dense(units=16, activation='relu')],
    ]),
    'learning_rate': hp.loguniform('learning_rate', -5, -2),
    'epochs': 50
}

def build_model(params):
    model = models.Sequential()
    for layer in params['hidden_layers']:
        model.add(layer)
    model.add(Dense(1, activation='linear'))
    ***pile(optimizer='adam', loss='mse')
    return model

def objective(params):
    model = build_model(params)
    model.fit(X_train, y_train, epochs=params['epochs'], verbose=0)
    loss = model.evaluate(X_test, y_test, verbose=0)
    return {'loss': loss, 'status': STATUS_OK}

trials = Trials()
best = fmin(fn=objective,
            space=space,
            algo=tpe.suggest,
            max_evals=50,
            trials=trials)

print(best)

此代码定义了一个优化目标函数`objective`，它使用`build_model`函数来构建模型，并在训练集上训练模型，在测试集上评估模型的性能。`fmin`函数用于执行优化过程，它尝试不同的超参数组合，并返回最优的结果。

## 4.2 模型泛化和过拟合预防

### 4.2.1 泛化能力的重要性

泛化能力是指模型对未见过的数据进行准确预测的能力。一个具有良好泛化能力的模型可以在新的数据集上保持其性能，而不会出现性能下降。泛化能力是评估一个模型是否成功的关键指标。

### 4.2.2 过拟合的识别与控制

过拟合是机器学习中的一个常见问题，它指的是模型在训练数据上表现很好，但在新的、未见过的数据上表现不佳。识别过拟合通常通过观察训练集和验证集上的性能差异来进行。控制过拟合可以通过多种方法，包括但不限于：

- 数据增强：通过增加训练数据的多样性来提高模型的泛化能力。
- 正则化：在损失函数中添加一个正则项来惩罚模型复杂度。
- 早停法(early stopping)：在验证集上的性能不再提升时停止训练。
- Dropout：在训练过程中随机丢弃一些神经元，迫使网络学习更加鲁棒的特征。

### 代码示例：使用Dropout预防过拟合

下面是一个使用`Dropout`层的代码示例，它展示如何在Keras中实现Dropout来防止过拟合：

from keras.layers import Dropout
from keras.models import Sequential
from keras.layers import Dense

# 创建模型
model = Sequential()
model.add(Dense(64, activation='relu', input_shape=(input_dim,)))
model.add(Dropout(0.5))  # 添加Dropout层，随机丢弃50%的神经元
model.add(Dense(1, activation='linear'))

# 编译和训练模型
***pile(loss='mse', optimizer='adam')
model.fit(X_train, y_train, epochs=100, batch_size=32, validation_split=0.2)

在这个示例中，我们在第一层`Dense`后添加了一个Dropout层，设置为丢弃50%的神经元。这将有助于防止模型对训练数据过度拟合，同时仍然保留足够的网络容量以学习有效的特征。

## 4.3 风险管理策略

### 4.3.1 风险度量指标

在股市预测中，风险管理是一个重要的方面。衡量和管理风险的指标通常包括：

- 夏普比率(Sharpe Ratio)：衡量投资的超额回报与波动性的比率。
- 最大回撤(Maximum Drawdown)：在选定的时间内投资组合可能达到的最糟糕的损失。
- VaR(Value at Risk)：在正常市场条件下，投资组合可能在特定时间内遭受的最大损失（置信水平下）。

### 4.3.2 风险控制的方法和实践

风险控制的方法和实践包括：

- 分散投资：通过在不同股票或资产间分配投资来降低风险。
- 止损指令：设置止损点以自动卖出股票，限制可能的损失。
- 仓位管理：根据市场情况和模型预测来调整持有股票的比例。

### 代码示例：使用止损指令控制风险

在自动化交易系统中，止损指令可以用来减少潜在的损失。下面是一个简单的Python代码示例，展示了如何定义一个止损函数：

def stop_loss(order, price):
    # 设置止损价格为订单价格的10%下跌
    stop_price = order['price'] * 0.9
    if price < stop_price:
        # 如果市场价格低于止损价格，执行卖出操作
        execute卖出(order, stop_price)

# 假设我们有以下订单信息
order_info = {
    'symbol': 'AAPL',
    'quantity': 100,
    'price': 150.00
}

# 当前市场价为140.00
current_market_price = 140.00

stop_loss(order_info, current_market_price)

在这个示例中，如果市场价低于止损价格（订单价格的10%下跌），则会执行卖出操作来限制损失。

综上所述，模型调优和风险管理是确保神经网络模型在股市预测任务中表现良好的关键步骤。通过合理地调整超参数、采用过拟合预防策略以及实施有效的风险控制措施，可以大大提升模型的预测能力和稳健性。

# 5. 股市预测实证分析

## 5.1 实证分析的案例选择与数据集

### 5.1.1 案例的选取标准和意义

在进行股市预测的实证分析时，选择合适的案例至关重要。案例的选择应该基于以下几个标准：

- **数据可获得性**：案例研究中所需的股市数据是否容易获得，是否具有足够的历史数据来支持时间序列分析。
- **市场代表性**：所选案例应涵盖多样化的市场情况，包括牛市、熊市以及稳定期，以便更全面地验证模型的有效性。
- **时间跨度**：为了考察模型在不同时间段内的预测性能，案例应覆盖较长时间跨度的数据。
- **行业多样性**：不同行业对经济周期、政策调整等因素的敏感度不同，分析多个行业的股票数据可以更好地考察模型的泛化能力。

案例的选择对于研究结果的可靠性具有决定性影响。例如，在实证分析中，通过对比特定股票（如科技股、金融股等）与大盘指数（如标普500、纳斯达克指数等）的预测结果，可以展现模型在不同类型资产上的预测差异性。

### 5.1.2 数据集的介绍和准备

在获取数据之后，接下来的步骤是数据集的构建与准备，这包括以下关键环节：

- **数据采集**：使用金融数据库API或者网络爬虫等手段收集股票价格的历史数据，包括开盘价、最高价、最低价、收盘价和成交量等。
- **数据清洗**：清洗数据中缺失值、异常值，并处理时间序列数据中的节假日、非交易日等特殊情况。
- **数据整合**：将各股票数据与宏观经济指标、行业新闻、市场情绪等其他相关数据进行整合，为构建特征变量提供足够的信息。

例如，可以使用Pandas库在Python中处理数据集，以下是代码示例：

import pandas as pd

# 加载数据集
data = pd.read_csv('stock_data.csv')

# 查看数据集前几行
print(data.head())

# 数据清洗：处理缺失值
data.fillna(method='ffill', inplace=True)

# 数据整合：合并宏观经济数据
macro_data = pd.read_csv('macro_data.csv')
combined_data = pd.merge(data, macro_data, on='date')

# 保存处理后的数据集
combined_data.to_csv('processed_data.csv', index=False)

在本段代码中，我们首先使用`read_csv`函数导入了股票数据，查看了数据集的前几行，接着使用`fillna`方法处理了缺失值，并将宏观经济数据与股票数据合并，最后保存了处理后的数据集。

## 5.2 神经网络模型的实证实验

### 5.2.1 实验设计和模型搭建

在设计实验和搭建模型时，需要注意以下要点：

- **实验设计**：需要明确实验的目的，设定模型训练和验证的策略，比如使用K折交叉验证来减少过拟合的影响。
- **模型搭建**：根据数据集的特点和实验设计，选择合适的神经网络架构，并配置网络参数。

以构建一个简单的多层感知机（MLP）模型为例，可以使用Keras库搭建神经网络模型：

from keras.models import Sequential
from keras.layers import Dense

# 定义模型结构
model = Sequential()
model.add(Dense(64, input_dim=30, activation='relu')) # 假设数据有30个特征
model.add(Dense(32, activation='relu'))
model.add(Dense(1, activation='linear')) # 输出单个值预测价格

# 编译模型
***pile(loss='mean_squared_error', optimizer='adam')

# 打印模型概况
model.summary()

### 5.2.2 实验结果和性能评估

性能评估是模型验证过程中不可或缺的部分，主要包括以下几个步骤：

- **模型训练**：使用训练数据集对模型进行训练。
- **模型验证**：使用验证数据集评估模型的预测效果。
- **性能指标**：通过计算均方误差（MSE）、均方根误差（RMSE）等指标来量化模型的预测性能。

继续以上一节的模型为例，以下是模型训练和评估的代码：

# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_val, y_val))

# 进行预测
predictions = model.predict(X_test)

# 评估模型性能
from sklearn.metrics import mean_squared_error

mse = mean_squared_error(y_test, predictions)
rmse = mse ** 0.5
print(f'RMSE: {rmse}')

在上述代码中，模型使用`fit`方法进行训练，并用`predict`方法进行预测。通过`mean_squared_error`函数计算均方误差，并开方得到RMSE值来评估模型性能。

## 5.3 分析和解释

### 5.3.1 结果分析的理论依据

对于神经网络模型的预测结果，需要结合经济理论和金融市场的知识进行深入分析。例如，可以探讨模型预测的股价变动是否与宏观经济指标、政策调整等因素有关联。

- **经济指标关联分析**：检验模型预测结果是否与宏观经济指标（如GDP增长率、利率、就业率等）呈现相关性。
- **市场情绪分析**：分析市场情绪对股票价格的影响，例如通过社交媒体情绪分析，研究其对股市预测模型的指导作用。

### 5.3.2 模型结果的经济学解释

在解释模型结果时，要将预测结果转化为对市场运行机制的理解：

- **价格波动归因**：分析模型预测的价格变动背后可能的原因，如利率变化、政策变动、公司业绩报告等。
- **预测结果的实用性**：讨论模型预测对于实际投资决策的指导意义，例如风险管理和投资组合构建。

通过以上分析，不仅加深了对股市预测模型的理解，而且提高了模型对实际操作的指导价值。

# 6. 结论与展望

在经历了对股市预测与神经网络应用的深入研究和实践之后，本文来到了最终的总结与展望阶段。在这里，我们将回顾前文的研究成果，并讨论在股市预测领域中，神经网络的潜力以及未来的研究方向。

## 6.1 研究总结

### 6.1.1 研究成果回顾

通过对股市预测的理论基础进行探讨，我们深入理解了影响股市波动的关键因素。在数据预处理和特征工程环节，通过数据清洗、归一化、特征选择和构造等方法，我们提取了有效的预测特征。构建神经网络模型的章节中，详细介绍了不同网络架构的选择依据，并通过实际案例探讨了模型的训练与验证。在模型调优与风险管理部分，我们分析了超参数优化的理论和实践，以及如何预防过拟合和管理风险。

### 6.1.2 研究限制和不足

尽管取得了一些有见地的成果，但本文的研究仍然存在一些局限性。例如，股市预测模型的准确度仍然有待提高，现实世界中难以预测的黑天鹅事件对模型的影响尚未得到充分研究。此外，不同市场的异质性可能导致模型在不同环境下的适应性差异，这些问题均需在未来的工作中加以解决。

## 6.2 未来研究方向和展望

### 6.2.1 神经网络在股市预测中的潜力

神经网络在处理非线性关系和海量数据方面具有巨大潜力。特别是在金融市场，它能够学习和模拟复杂的时间序列数据，对未来价格走势进行预测。未来的研究可能会关注于如何进一步提升模型的解释能力，使投资者能够理解模型的预测逻辑。此外，实时预测模型的构建也会是一个重要方向，这将为投资者提供即时决策支持。

### 6.2.2 可能的研究课题和探索领域

未来的研究课题可能包括以下几个方面：

1. **集成学习方法的引入**：通过结合不同的神经网络模型，利用集成学习方法来提升预测的稳定性和准确性。
2. **深度强化学习的应用**：探索深度强化学习在股市预测中的可能性，允许模型通过不断试错来优化策略。
3. **多模态数据融合**：结合传统的金融市场数据与社交媒体、新闻报道等非传统数据源，研究数据融合对提升预测能力的作用。
4. **市场微观结构分析**：研究市场微观结构对于股市波动的影响，并在神经网络模型中加以考虑，以提高预测的准确性。

这些课题的探索将有助于进一步推动股市预测方法的发展，并为投资者提供更加精确的决策支持工具。