自适应HMM模型在股票价格预测中的应用

本文介绍了一种基于自适应预测和隐马尔科夫模型（HMM）的股票价格预测新方法，结合科技绘图与数据分析，适用于Origin 9.0等工具进行实施。该方法旨在改进传统HMM预测方法的局限性。 在股票价格预测中，HMM模型扮演着关键角色。当序列的自相关系数接近0.5时，表示序列具有短期相关性，这在选择HMM模型时很重要。文章提出了一种称为CB IC（聚类与贝叶斯信息准则）的模型选择算法，用于判断预测误差是否大于预设阈值δ。如果平均绝对百分比误差（MAPE）超过这个阈值，系统会自动切换到更适合的HMM模型。 自适应预测策略是通过寻找历史上的相似模式来预测未来股票价格。具体来说，如果两个收益率（ROR）之间的对数概率差的绝对值小于阈值θ，认为它们相似。利用这些相似模式，可以预测未来一天的收益率，并根据与当前时刻的距离分配不同的权重，权重由公式w_i = exp(1/(n-i+1))计算。最终，通过加权求和来预测ROR(n+1)，进而预测未来股票价格PPs(n+1)。 实验部分对比了提出的SPFAAMS（自适应预测算法）与HMM融合模型和ARIMA方法，使用了Apple、IBM和Dell公司的实际股票价格数据。结果显示，SPFAAMS在IBM和Dell股票的预测上表现优于或与HMM融合和ARIMA相当，尤其在IBM股票上。对于Apple股票，虽然所有方法的MAPE都较高，但SPFAAMS仍优于其他两种方法。 通过平均比较，SPFAAMS的整体预测精度比HMM融合方法提高了0.064%，比ARIMA提高了0.05%。图3展示了HMM隐状态数在预测过程中的动态变化，而图4给出了IBM股票预测的实际与预测价格比较。 结论指出，该方法通过HMM自动模型选择和自适应预测改进了传统的HMM预测技术，实验证明其在股票价格预测中具有实用性。这种方法结合了数据挖掘和人工智能技术，对于金融市场的预测分析具有实际应用价值。