基于不同技术指标的BRB模型在中国股市的应用

智能系统与应用18（2023）200198股票市场技术分析的BRB新模型高艳子a，1，吴佳兵 b，冯志超 c，胡冠宇 d，陈宇佳e， 1，何伟c，e，*a北京科技大学先进材料与技术研究院，北京10083b北京大学软件与微电子学院，北京10086cXi高新技术学院，中国西安710025d桂林电子科技大学计算机科学与信息安全学院，广西桂林541004e哈尔滨师范大学计算机科学与信息工程学院，哈尔滨150025A R T I C L EI N FO保留字：均线移动平均收敛和发散随机指标置信规则库（BRB）在中国股市的应用A B S T R A C T为了预测股票价格的走势，本文提出了一种基于不同技术指标的信念规则库（BRB）评估模型。提出的基于BRB的模型包括三个BRB，表示为BRB_1，BRB_2和BRB_3。BRB_1用于捕捉移动平均线（MA）的价格趋势与买入/卖出决策之间的关系。利用BRB_2研究了移动平均线（MACD）的敛散条件。采用BRB_3表示随机指示器（KD）状态。以上三个指标是股票分析中常用的指标，通常需要配合使用，才能实现对股价走势更准确的分析。在BRB模型中，一些参数的初始值由专家提供，以构建基本的算法逻辑，但这些不太可能导致准确的评估。因此，在最大似然算法的基础上，进一步提出了一种评估模型参数的优化训练算法。以中国股票市场的走势为研究对象，利用该模型得到的平均均方误差为0.3242。研究结果表明，该模型在金融业中具有潜在的应用价值.1. 介绍几十年来，宏观经济变量一直被用来预测市场价格，但很少有人关注市场趋势预测的技术指标，这些指标可以被视为未来价格走势的信号。行业实践的技术分析师和学术金融学者之间存在着差距。基本面分析被现代量化金融学者迅速采用，但技术分析却被忽视。一些研究者认为基本面分析和技术分析不能在同一水平上竞争.实践是检验真理的唯一标准，一些研究表明，技术分析是从市场获得有关价格趋势的有效信息的有用工具。技术分析是基于过去的价格数据和指标来预测未来的市场走势。技术指标，包括移动平均线（MA），MACD和KD，被广泛使用。许多经纪公司在实践中根据技术分析收集信息并发表市场评论，并进一步利用技术分析结果指导咨询服务。基于技术分析的报告可以经常在报纸和时事通讯中找到，这些信息通常可以帮助交易者和投资者（Srivastava等人，2021; Leles等人， 2020年）。事实上，技术分析被许多顶级交易者和投资者用作投资决策的重要工具Schwager，Covel和Lo报告说，一些成功的交易者在某种程度上广泛依赖于技术指标（Schwager，1995;Covel，2005;Lo Hasanhodzic，2010&）。Leles模拟了一个人工股票市场，并根据技术和基本面分析的组合，评估了具有不同投资策略的代理人的表现和有效性（Leles等人，2020年）。Ayala等人以技术指标与机器学习相结合的方式分析股票（Ayala等人， 2021年）。 最近，Nti，Adekoya和Weyori报告说， 技术分析几乎与使用经济基本原理一样强大（Nti等人，2020年）。从理论的角度来看，Baffa和Ciarlini证明，技术分析可以成为应对不确定和动态市场的有用工具（Baffa和Ciarlini，2010）。机器学习方法在不同的领域有着广泛的应用，它们可以分为两类：基于统计模型的* 通讯作者。电子邮件地址：he_w_1980@163.com（W.He）。1 这些作者对这项工作作出了同样的https://doi.org/10.1016/j.iswa.2023.200198接收日期：2022年10月15日;接收日期：2023年1月28日;接受日期：2023年2月9日在线预订2023年2667-3053/© 2023作者。爱思唯尔有限公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页：www.journals.elsevier.com/intelligent-systems-with-applicationsY. Gao等人智能系统与应用18（2023）20019821n23K1N方法和数据驱动的方法。基于统计模型的方法主要是根据数学模型确定能够反映系统行为的参数和状态。传统的预测技术使用滤波器和统计模型，包括粒子滤波器（Boukra，2015）、卡尔曼滤波器（Vakilinia等人， 2016）、PLS方法（Xie等人，2015）和KPI方法（Yin等人，2015），其预测和分析根据系统特性和噪声来执行。近年来，数据驱动方法得到了广泛的应用。最常用的模型是基于定量信息的模型、基于定性知识的模型和基于半定量信息的模型。在基于定性知识的模型中，例如 基 于 Petri 网 的 模 型 （ Rogge-Solti 等 人 ， 2015 ） 和 专 家 系 统（Vundavilli等人，2012年），专家经验和主观描述都被认为是做出预测。尽管结果表明，技术分析可能有助于如何在不同的市场，特别是新兴市场利用其力量，是一个问题。技术分析依赖于专家，他们需要观察和分析市场，这可能会导致与个人精力和偏见有关的问题。为了解决这些问题，基于Yang（Wang etal.， 2006年）。BRB模型的核心推理机制规则的融合是通过基于证据推理理论体系的推理来实现的。与专家系统不同，证据推理的推理机制是通过数学计算获得的。计算过程是线性的，推理过程是可解释的，并且可以解决规则融合过程中由于证据属性分配矛盾而产生的冲突。在传统的技术分析与决策领域中，专家通常通过经验提取相关的技术指标进行主观决策在缺乏经验或由于过分依赖专家经验而导致经验不足BRB模型可用于构建基于专家经验的评价系统框架，利用专家知识对技术指标数据进行监督，利用机器学习实现自推理根据可解释的数学逻辑的（Zhou等人，2019; Tang等人，2019; Feng等人，2018年）。这种推理方法可以减少主观因素的认知错误概率。同时，BRB模型可以通过添加标签的方式，利用专家的经验指导机器自主训练，进一步保证了模型的训练精度为了使用基于BRB的模型模拟技术分析，首先创建某些未知参数;这些参数的初始值来自专家的知识，这些知识不太可能准确，因此导致评估不准确（Li等人， 2017年; Yang等人， 2006; Zhou等人，2010年）。然后，基于最大似然（ML）算法（Zhou等人， 2015; Li&Ye，2021; Levy &Razin，2021），开发了用于训练模型参数的最优算法。这样，一组模仿人类技术分析的模型与进一步的优化算法可以以集成的方式工作，以产生高精度的技术分析结果。综上所述，本文提出了一种基于置信规则的股票市场评价模型，允许参与模型的构建，模型的推理过程是透明的，模型的分析结果是可解释的。3)该模型能够综合处理股票市场中的定性信息和定量信息，并结合投资策略。2. 问题公式化在股票分析的过程中，有三个问题，给出如下：问题1.股权投资是投资者按照一定的规则和原则进行股票选择的过程。分析过程需要使用某些方法、技能和策略。因此，如何将投资策略融入到模型的构建过程中，是一个亟待解决的问题。问题2. 股票市场也包括定性信息 作为定量信息，例如判断是否存在交叉行为。因此，如何保证所构建的模型能够综合处理定量和定性信息是第二个需要解决的问题问题3.在构建模型时，该领域的专家根据他们的经验设置初始参数。然而，专家知识在一定程度上是不确定的。初始模型可能无法准确确定交易行为。因此，如何调整训练模型的参数，提高模型的精度是一个需要解决的问题针对上述问题，本文构建了一个股票市场分析模型.在应用技术分析预测市场时，需要综合使用不同的指标。首先根据单个指标的不同情况进行判断，然后根据各指标的重要性，考虑权重进行综合决策。因此，在建立BRB模型时，将每个指标的State（e1）、Event（e2）和EX tend（e3）作为输入，分别建立BRB_MA、BRB_MACD和BRB_KD，然后得到这三个BRB模型的输出，分别表示为y_MA、y_MACD和y_KD。最后，根据权重计算三组BRB的结果后，产生最终结果y的 详细 制剂 的 的 三 部分 在 基于BRB评估模型如图所示。1.一、2.1. 基于BRB的MA模型MA线是二级市场技术分析中使用最广泛的技术指标。MA线系统由不同参数的移动平均线组成。从实践经验来看，不同的平均值代表着相应周期的成本，市场成本的变化导致市场的演变。MA模型（表1）是通过使用名为BRB_1的BRB模型建立的。BRB_1中的第k个置信规则可以描述为：Rk：I f.e1是Ak）n。e2是A（k）n。e3是A（k），提出了不同技术指标的基础。该模型结合了金融领域的专家知识，以评估股票市场，并分析价格趋势与购买/销售之间的关系。则{（D1，β1），（D2，β2），（D3，β3），（D4，β4），（D5，β5）}。Ak的数据范围为{S，M，W}（一）销售决策。本文对股票市场研究的三个贡献如下。1)提出了一种基于技术分析理论的股票市场分析模型。该模型采用D={D1，D5}={完全买入，半买入，持有，半卖出，完全卖出}（2）其中r1 表示BRB_1的第k（k= 1，...，L）个置信规则。 一个k是投资策略分析的指标之间的关系作为模型的输入，并在预测价格趋势的同时给出买入/卖出信号点。该模型的输出结果比直接由训练指标数据预测的结果更有说服力。2)提出了一种基于BRB的股票市场评价模型EXperts是n在第k个信念规则中的参考值en是BRB_1的输入D表示输出等级集βi是对Di评估的置信度。根据专家应用平均系统的技术分析逻辑，抽象出该组的BRB条件。在市场运行的过程中，当短期（10 MA）平均线，Y. Gao等人智能系统与应用18（2023）2001983nnK1N123123图1.一、 新提出的基于BRB的模型。表1BRB_MA。因子水平状态（e1）事件（e2）EX tend（e3）表2BRB_MACD。因子水平状态（e1）事件（e2）EX tend（e3）强（S）10MA> 20MA> 60MA黄金交叉5MA和10MA价格和5MA之间的偏离是强（S）DIF> 0和DEA> 0DIF和DEAMACD的偏离是+5%介质其他统计没有交叉的5MA+2%偏离中等（M）其他统计没有DIF和DEA交叉MACD的偏离为0%（百万）10MA价格和5MA为0%弱（W）DIF 0和DIF的死交叉，MACD的偏离是弱（W）10MA 20MA 60MA死交叉5MA和10MA价格与5 MA之间的偏差为-2%DEA 0DEA-5%左右中期（20 MA）平均值和长期（60 MA）平均值是其中r1 表示BRB_2的第k（k= 1，...，L）个置信规则。 一个k是当短期平均、中期平均和长期平均自下而上排列时，对应于弱阶段。MA线的其他状态对应于中间状态。元素e2对应判断事件，通过5MA和10MA的交叉关系进行判断。5MA和10MA的黄金交叉是进入强势阶段的判断条件。程序识别的具体特征是，该时间点的5MA线值大于10MA线值，前一时间点的5MA线值小于10MA线值。死亡十字路口5MA和10MA是进入弱势阶段的判断条件。程序识别的具体特征与上述相反。元素e3代表当前价格与5MA的背离程度，即当前价格与5MA值之差的百分比，是判断强、中、弱趋势的条件之一。2.2. 基于BRBMACD是判断趋势的重要指标体系，它可以为上涨趋势的强弱提供参考。该指数由MACD值、DIF线和DEA线组成。 DIF线和DEA线的不同位置对应着上涨趋势的不同力度。MACD模型（表2）是通过使用名为BRB_2的BRB模型建立的。BRB_2中的第k个置信规则可以描述为：Rk：如果。e1是Ak）n。e2是A（k）n。e3是A（k），n在第k个信念规则中的参考值en是BRB_2的输入D表示输出等级集βi是对Di评估的置信度。元素e1表示状态。当DIF和DEA在零轴以上时，对应于上升趋势的强势状态;当DIF和DEA在零轴以下时，对应于弱势状态。元素e2对应判断事件，通过DIF线和DEA线的交叉关系完成判断。DIF线与DEA线的黄金交叉是进入强势阶段的判断条件。程序识别的具体特征是，此时点的DIF线值大于DEA线值，前一时间点的DIF线值小于DEA线值; DIF线与DEA线死叉是进入弱势阶段的判断条件。程序识别的具体特征与上述相反。元素e3代表MACD的背离程度，即当前MACD值与近60个周期MACD平均值之差的百分比，是判断趋势强、中、弱的条件之一。2.3. 基于BRB的KD模型KD指数对股票价格的变化非常敏感，能够给出股票价格变动趋势的过渡预期，是判断过渡的重要指标体系。该指数由K线和D线组成。K线和D线的不同位置对应着上涨趋势的不同力度。KD模型（表3）是通过使用名为BRB_3的BRB模型建立的。BRB_3中的第k个置信规则可以描述如下：Rk：如果。e1是Ak）n。e2是A（k）n。e3是A（k），则{（D1，β1），（D2，β2），（D3，β3），（D4，β4），（D5，β5）}。Ak的数据范围为{S，M，W}（三）则{（D1，β1），（D2，β2），（D3，β3），（D4，β4），（D5，β5）}。Ak的数据范围为{S，M，W}（五）D={D1，D 5}={完全买入，半买入，持有，半卖出，完全卖出}（4）D={D1，D5}={完全买入，半买入，持有，半卖出，完全卖出}（6）Y. Gao等人智能系统与应用18（2023）2001984k=1[α（wβ1W-k[2014N[∑Σ（wβ1 WN中国（1）W（）下一页J∑1- 是的 ）α=α（8）kL-表3BRB_KD。其中αk是第i个特征的输入的匹配度。δi是第i个属性的相对权重，可以通过下式计算：因素状态（e1）事件（e2）EX tendδ=δi（九）级别（e3）imax{δi}强（S）80 K 100和80 D 100K和DK-D= 13i=1，.，M介质（百万）其他统计没有交叉的K和D K-D= 0其中δi是第i个特征的权重注意，0≤δi≤ 1。弱（W）0 K 20和0 D 20 K和D的死交叉K-D=-13步骤3：在所构造的模型中，规则的输入的有效性可以由激活权重表示，并且可以其中r1 表示BRB_3的第k（k=1， 一个k是计算公式：k1nθkαkn在第k个信念规则中的参考值en是BRB_3的输入Dw k=∑ L θα，k=1，…，L（10）表示输出等级集βi是对Di评估的置信度。元素e1表示状态。当K线和D线在80-100区间时，对应上升趋势的强势状态;当K线和D线在0-20区间时，对应弱势状态。元素e2对应判断事件，通过K线和D线的交叉关系完成判断。K线和D线的黄金交叉是进入强势阶段的判断条件程序识别的特点是此时K线值大于前一时刻的D线值和K线值l=1L l其中wk是第k个规则的激活权重。注意，0 ≤w k≤ 1且∑Lwk=1。步骤4：在规则被激活后，它们可以通过证据推理（ER）算法进行整合。分析ER算法可以被描述如下：时间点小于D线值。K线与D线死叉是进入弱势阶段的判断条件μkn、k+-k∑ βj，k）中国（1）w∑βj，k）]元素e3表示KD偏离的程度，即差值βk=1j=1k=1j=1K值和相应时期的D值之间的关系，其中n=是判断走势强弱的条件之一1 -μLk=1（十一）（1 -wk）3. 基于BRB的股票市场当观测数据被收集后，它们可以被构建的股票市场技术分析模型所整合。在本节中，将介绍推理过程，并可按以下步骤进行分析。NLμ=kn，k+ -kn=1k= 1∑j=1βj，k） - （N-1）L-kk=1∑j=1βj，k）]-1（十二）步骤1：在股票市场中，特征的数据格式是不同的。它们不能直接结合。因此，一旦有了投入，就应将其转化为统一的形式。的特征的匹配度可以通过以下公式计算其中βn是第n级技术分析模型然后，股票市场的技术分析模型的最终输出可以通过以下等式计算N⎧⎪xi(k+1)-x∗iXj k如果xxixu（x≠ n）=∑u（Dn）βn（13）i（k+1）J-xik=ik≤≤i（k+1）n=1αi=αixi-xikXxj=k+1（七）其中u D n 是第n级技术分析模型，并可由专家在工程实践中给出。i（k+1）-ik⎪1，2，. L，jscinc=k，k+1其中，x∈i表示第i个特性的输入观测数据。xik和xi（k+1）是第k个特征中的第i个4. 基于BRB技术分析的优化模型股市均方误差（MSE）可以代表基于BRB的股票市场技术分析模型的建模精度，其计算公式为：规则和第（k+1）规则，并由专家确定。L是构建模型中的规则数。αi表示匹配第i个特征对第j个规则的程度MSE=不Tt=1（估计产出-实际产出）2（十四）步骤2：在基于BRB的分析模型中，不同的输入对规则的有效性不同。因此，输入与规则的匹配度可以通过下式计算M我 δiKi=1其中，估计输出和实际输出分别是所构建的模型的估计输出和股票市场的实际状态。T是观察数据的数量优化模型的目标是使模型输出与实际系统状态之间的误差最小。另一方面，BRB模型是一个专家系统，其参数必须具有物理意义。因此，优化模型可以表示为 ：θk，βn，k，δi）（ 15）NN]Y. Gao等人智能系统与应用18（2023）2001985∑我Ig我我α1我nnhi我χg我χg0 ≤θ k≤ 1，k = 1，2，. L（16）0 ≤β n，k≤ 1，n= 1，.，N，k= 1，2，. 中文（简体）Nβ n，k≤ 1，k= 1，2，...，中文（简体）n=10 ≤δ i≤ 1，i= 1，.，男（19）BRB模型是一个专家系统，其初始参数由专家给定。由于专家知识的不确定性，基于初始参数可能无法获得对股票市场的准确估计。因此，最初的技术分析模型应该由收集的观察数据进行训练。因此，在本节中，我们构建了一个基于投影协方差矩阵自适应进化策略（P-CMA-ES）的股票市场BRB技术分析模型的优化模型。优化过程如下：步骤1：参数初始化设置初始参数向量、初始协方差矩阵X、初始步长和种群大小第二步：取样操作初始解作为中心点。然后，使用正态分布随机生成种群。此时，总体是一个椭球，椭球的长轴就是总体的协方差矩阵。该过程描述如下：Gg+1<$meang+χgN（0，Cg）（i= 1 <$λ）（20）其中Gg+1表示g+ 1代的第i个后代。平均值g是第g代搜索分布的平均值。C是协方差矩阵X。3.投影操作通过投影操作将生成的种群映射到约束可行域，使种群中的个体满足约束条件。该过程描述如下：Ωg+1（ 1+qn×（j- 1）：qn×j）第五步：重复上述步骤，直到找到最佳解决方案。5. 为例在本节中，一个股票评估模型的构建来说明所提出的模型的有效性。在第5.1小节中，股票市场的问题被公式化，然后在第5.2小节中建立股票状态评估模型。在第5.3小节中对开发的模型进行了训练和测试。在第5.4中进行了比较研究。5.1. 库存状态评估股票的状态可以用来确定它是买入还是卖出，以及买入和卖出是否准确地确定了收入的数额。本文以上证指数为例对股票市场进行了实证分析。有大量的股票数据具有波动性，交易具有一定的周期性。 因此，选取2010年7月至2019年1月期间的371条数据进行观察。每个数据包含12个变量：5 MA、10MA、20 MA、60 MA、5日偏差、DIF、DEA、MACD、MACD偏差、K值、D值、K-D值。这些数据是分析股票市场状况的关键指标。股票的状态是由专家决定的。需要在建模过程中增加一些其他信息。因此，需要开发一种能够将定量数据和定性知识结合起来的评估模式。5.2. 库存状态评估模型在所构建的股票状态评估模型中，选取了9个特征作为BRB模型的输入，分别命名为BRB_MA、BRB_MACD和BRB_KD三个BRB模型。在BRB_MA中，有三个属性存在：BRB_MA_1、BRB_MA_2和BRB_MA_3。在BRB_MA_1中选择三个参考点，10MA> 20MA> 60MA、10MA 20MA 60MA和其他状态。在BRB_MA_2中，有三个参考点：5MA和10MA的黄金交叉点，5MA和10MA的交叉点，5MA和10MA的死亡交叉0%、5%和-5%的5天偏差用作BRB_MA_3的三个参考值BRB_MA的初始参数如表4所示。在BRB_MACD中，属性被命名为BRB_MACD_1、BRB_MACD_2和BRB_MACD_3，并为每个属性选择三个参考点的初始参数BRB_MACD如表5所示。在BRB_KD、BRB_KD_1、BRB_KD_2和=Ωg+1（1+qn×（j-1）：qn×j）-BT×.Bn×BT）-1我（二十一）BRB_KD_3是三个属性，BRB_KD的初始参数×Ωg+1（1+qn×（j- 1）：qn×j）×Bn其中Ωg+1表示第g代的第i个解。qn表示变量的数量Bn是参数矩阵X。步骤4：协方差矩阵更新选择满足约束条件的最优解作为下一代种群，并根据其最优解更新协方差矩阵人口的移动方向见表6。BRB模型由多个IF-THEN组成规则初始BRB模型的参数是基于专家经验知识BRB_MA、BRB_MACD和BRB_KD模型的初始参数分别如表1、表2和表3所示取初始信念规则库中其中一条规则的参数设置 作为 一个 举例来说， 的 以下 解释 是 答：当10MA> 20MA> 60MA，5MA和10MA金叉，5天偏差在0%和5%之间，表明股票上涨，这往往是一个趋势。买入信号因此，分配给买入信号的D1和D2规则描述如下：的最优解。平均值g+1=∑h Gg+1（二十二）R1：BRB MA1是S，BRB MA2是S，BRB MA2是S则y1是{（D1，0. 9），（D2，0. 1），（D3， 0），（D4， 0），（D5， 0）}（二十四）我我i=1MA指数反映了股票波动的总体趋势，但具有滞后性。因此，MACD和KD指标应该结合起来，Cg+1=（1-c1-cα）Cg+c1lg+1。lg+1）Tα协助分析。MACD是在MA的基础上发展起来的，克服了移动平均线信号频繁的缺点。KD在-∑（Gg+1-平均g）（Gg+1-平均g）T（23）i=1其中hi是权重。c1和cα是学习速度。+cαY. Gao等人智能系统与应用18（2023）2001986指标只用于确定超买和超卖的股票，但可以市场条件（Rubell等人，2016年）。构建的评估模型的最终输出通过以下等式获得用于快速准确地确定短期和中期Y. Gao等人表4智能系统与应用18（2023）200198表57BRB_MA的初始参数BRB_MA_1 BRB_MA_2 BRB_MA_3模型输出{(D1，D2，D3，BRB_MACD的初始参数。BRB_MACD_1 BRB_MACD_2 BRB_MACD_3模型输出{（D1，D2，D3，D4，D5}10MA> 20MA> 60MA 5MA的黄金交叉5天的偏差D4，D5}（0.9，0.1，0，DIF> 0和DEA> 0黄金十字线MACD偏离+5%（0.9，0.1，0，0，0个）10mA10MA>20MA> 60MA 5MA的黄金交叉10MA+5%5天的偏差为0%0，0）(0.8，0.2，0，0，0）DIF> 0和DEA> 0DIF> 0，黄金十字线黄金十字架MACD偏离0%MACD偏离（0.8，0.2，0，0，0个）10MA> 20MA> 60MA 5MA的黄金交叉10MA> 10MA>20MA> 60MA的5MA-5%范围内的5天偏差5天的偏差（0.4，0.4，0.2、0、0）(0.8，0.2，0，DEA> 0DIF> 0和DEA> 0线How线交叉点-5%左右MACD偏离+5%（0.8，0.2，0，0，0个）10mA10MA>20MA> 5MA的 60MA交叉点10MA+5%5天的偏差为0%0，0）(0.4，0.4，0.2、0、0）DIF> 0，DEA> 0DIF> 0，How线交叉点如何交叉MACD偏离0%5天的偏差，（0.4，0.4，0.2，0，0）(0.4，0.3，0.3，10MA> 20MA> 60MA 5MA的交叉点10MA、10MA>20MA> 60MA与5MA的-5%范围内的5天偏差5天的偏差（0.4，0.3，0.3、0、0）（0，0.2，0.3，DEA> 0DIF> 0和DEA> 0线死亡十字线-5%左右MACD偏离+5%0，0）10mA10MA>20MA> 60MA与5MA的10MA+5%5天的偏差为0%0.4、0.1）（0，0.1，0.5，0.3、0.1）DIF> 0，DEA> 0DIF> 0，死亡十字线死亡十字架MACD偏离0%MACD偏离（0，0.1，0.5，0.3、0.1）（0，0.2，0.3，10MA> 20MA> 60MA与5MA的5天的偏差（0，0.2，0.3，DEA> 0线-5%左右0.3、0.2）10MA其他州5MA的黄金十字架-5%5天的偏差0.3、0.2）(0.8，0.2，0，其他州的黄金十字线MACD偏离+5%（0.8，0.2，0，0，0个）其他国家10MA5MA和10MA+5%5天的偏差为0%0，0）(0.4，0.4，0.2、0、0）其他州的黄金十字线其他国家的黄金交叉如何MACD偏离0%MACD偏离（0.4，0.4，0.2，0，0）其他州5MA和10MA5MA的其他状态-5%范围内的5天偏差5天的偏差（0.2，0.4，0.4、0、0）(0.4，0.4，线其他国家的交叉线如何-5%左右MACD偏离+5%（0.4，0.4，0.2，0，0）其他国家5MA和10MA的交叉点+5%5天的偏差为0%0.2、0、0）(0.2，0.5，0.3、0、0）其他国家的交叉线如何其他国家的achiasmate如何MACD偏离0%MACD偏离（0.2，0.5，0.3，0，0）(0.1，0.3，0.6，5MA和10MA的其他状态5MA死亡十字架-5%范围内的5天偏差5天的偏差（0.1，0.3，0.6、0、0）（0，0.1，0.5，线其他国家的死亡交叉线如何-5%左右MACD偏离+5%0，0）其他国家10MA5MA和10MA+5%5天的偏差为0%0.3、0.1）（0，0.2，0.3，0.3、0.2）其他国家的死亡交叉线如何其他国家的死亡交叉如何MACD偏离0%MACD偏离（0，0.2，0.3，0.3、0.2）（0，0，0.6，0.3，5MA死亡十字架10MA 20MA 60MA10mA5天的偏差（0，0，0.6，线-5%左右0.1）<20MA 60MA10MA 20MA 60MA 5MA的黄金交叉10MA 10MA 20MA60MA 5MA的交叉点-5%范围内的5天偏差5天的偏差（0，0.2，0.3，0.3、0.2）（0，0，0.4，DEA 0DIF 0和DEA 0线How线交叉点MACD偏离-5%左右MACD偏离+5%（0，0，0.4，0.4，0.2）10mA10MA<20MA 60MA 5MA的交叉点10MA+5%5天的偏差为0%0.4、0.2）（0，0，0.3，0.5、0.2）DIF 0和DEA 0DIF 0和如何交叉线如何交叉MACD偏离0%的百分比MACD偏离（0，0，0.3，0.5，0.2）（0，0，0.3，0.3，10MA 20MA 60MA 5MA的交叉点10MA、10MA、20MA、60MA与5MA的-5%范围内的5天偏差5天的偏差（0，0，0.3，0.3、0.4）（0，0，0.2，DEA 0DIF 0和DEA 010MA-5%0.3、0.1）DIF 0和黄金十字架MACD偏离(0.1，0.3，0.5，5MA和10MA5MA金十字10MA5天+5%5天在0%(0.1，0.3，0.5、0.1、0）（0，0.1，0.5，0.3、0.1）DEA 0DIF 0和DEA 0DIF 0和线黄金十字线黄金十字架+5%MACD偏离0%0.1，0）（0，0.1，0.5，0.3、0.1）Y. Gao等人表4智能系统与应用18（2023）200198表58（）下一页线死亡十字线-5%左右MACD偏离+5%0.4）10mA10MA<20MA 60MA 5MA的死亡交叉10MA+5%5天的偏差为0%0.4，0.4）（0，0，0，0.2，0.8）DIF 0和DEA 0DIF 0和死亡十字线死亡十字架MACD偏离0%MACD偏离（0，0，0，0.2，0.8）（0，0，0，0.1，10MA 20MA 60MA 5MA的死亡交叉10MA-5%范围内的5天偏差（0，0，0，0.1，0.9）DEA 0线-5%左右0.9）y（t）= 0。6 ×y MA +0. 2 ×y MACD +0. 2 ×yKDJ（25）其中y t 表示时刻的库存状态的估计结果t. yMA、yMACD和yKDJ分别是BRB_MA、BRB_MACD和BRB_KD的输出BRB_MA、BRB_MACD和BRB_KD中属性的参考值分别如表7、表8和表9初始属性权重设置为1。对于D1、D2、D3、D4和D5，输出参考值分别设置为1、2、3、4和55.3. 开发模型由于专家知识的局限性，模型输出的准确性会受到影响。为了提高评估结果，所开发的模型是由P-CMA-ES算法训练，并优化模型的参数。BRB_MA、BRB_MACD和BRB_KD的优化模型分别见表10、表11和表12在训练部分，从数据集中随机选择50个观测数据点，使用48个观测数据点经优化模型训练后，所构建的库存状态评估模型的估计结果如图2所示。模型的均方误差为0.2681。为了说明所开发的模型的鲁棒性，进行了50次实验，均方误差的平均值为0.3242，均方误差的振动为0.0017。Y. Gao等人表6智能系统与应用18（2023）200198表109BRB_KD的初始参数BRB_KD_1 BRB_KD_2 BRB_KD_3模型输出{(D1、D2、D3、D4、D5}how线高区黄金交叉K-D= 13（0.9，0.1，0，0，0）how线高区黄金交叉K-D= 0（0.8，0.2，0，0，0）how线高区黄金交叉K-D=-13How线高区交叉点K-D= 13（0.8，0.2，0，0，0）How线高区交叉点K-D= 0（0.4，0.4，0.2，0，0）how线高区交叉K-D=-13（0.4，0.3，0.3，0，0）how线高区死亡交叉K-D= 13高面积死亡杂交系K-D= 0（0，0.1，0.5，0.3，0.1）how线高面积死亡交叉K-D=-13（0，0.2，0.3，0.3，0.2）中线黄金交叉K-D= 13（0.8，0.2，0，0，0）中线黄金交叉K-D= 0（0.4，0.4，0.2，0，0）中线黄金交叉K-D=-13How线的中性区交叉点K-D= 13（0.4，0.4，0.2，0，0）曲线的中性区交叉点K-D= 0（0.2，0.5，0.3，0，0）how线的中性区交叉点K-D=-13（0.1，0.3，0.6，0，0）how线的中性区死亡交叉点K-D= 13中线死亡交叉K-D= 0（0，0.2，0.3，0.3，0.2）中线死亡交叉K-D=-13（0，0，0.6，0.3，0.1）how线的低区黄金交叉K-D= 13（0.1，0.3，0.5，0.1，0）how线的低区黄金交叉K-D= 0（0，0.1，0.5，0.3，0.1）how线的低区黄金交叉K-D=-13How线的低区交叉点K-D= 13（0，0，0.4，0.4，0.2）How线的低区交叉点K-D= 0（0，0，0.3，0.5，0.2）how线的低区交叉K-D=-13（0，0，0.3，0.3，0.4）how线的低区死亡交叉K-D=13how线的低区死亡交叉K-D= 0（0，0，0，0.2，0.8）how线的低区死亡交叉K-D=-13（0，0，0，0.1，0.9）优化了BRB_MA的参数。号规则权重模型输出{(D1、D2、D3、D4、D5}1 0.267 {0.396 0.013 0.150 0.326 0.116}2 0.524 {0.000 0.010 0.013 0.000 0.980}3 0.594 {0.076 0.433 0.095 0.109 0.286}2019 - 04 - 29 00：00：002019 - 05 - 25 00：00：000.048 0.276 0.197 0.301 0.1772019 - 07 - 25 00：00：000.107 0.106 0.278 0.232 0.277}9 0.259 {0.091 0.433 0.166 0.275 0.035}10 0.158 {0.201 0.129 0.257 0.194 0.219}11 0.077 {0.359 0.251 0.088 0.071 0.232}12 0.976 {0.171 0.372 0.078 0.141 0.239}13 0.919 {0.096 0.076 0.164 0.109 0.555}14 0.677 {0.925 0.082 0.000 0.000 0.000}15 0.001 {0.165 0.142 0.227 0.318 0.148}16 0.968 {0.000 0.000 0.099 0.366 0.547}17 0.008 {0.158 0.168 0.000 0.502 0.174}18 0.245 {0.332 0.007 0.394 0.155 0.112}19 0.302 {0.236 0.000 0.287 0.316 0.209}20 0.000 {0.180 0.199 0.375 0.193 0.053}21 0.355 {0.120 0.198 0.091 0.354 0.237}22 0.076 {0.281 0.152 0.234 0.111 0.222}23 0.093 {0.249 0.196 0.234 0.282 0.039}24 0.867 {0.000 0.019 0.103 0.021 0.862}25 0.124 {0.166 0.411 0.179 0.077 0.167}26 0.185 {0.673 0.152 0.140 0.049 0.000}27 0.831 {0.030 0.036 0.098 0.655 0.182}表7BRB_MA中属性的参考值号低中高BRB_MA_1 0.999 2.500 3.001表11优化BRB_MACD参数。号规则权重模型输出{(D1、D2、D3、D4、D5}BRB_MA_20.9992.5003.00110.309{0.020 0.076 0.232 0.369 0.303}BRB_MA_3-5.00105.00120.631{0.093 0.053 0.541 0.236 0.077}30.591{0.349 0.092 0.307 0.130 0.123}40.499{0.000 0.193 0.143 0.407 0.259}50.889{0.008 0.341 0.238 0.058 0.356}表860.281{0.287 0.293 0.168 0.169 0.083}BRB_MACD中属性的参考值70.778{0.136 0.358 0.185 0.123 0.197}号低中高80.6110.306{0.352 0.109 0.112 0.170 0.258}{0.433 0.270 0.122 0.147 0.029}表9BRB_KD中属性的参考值号低中高BRB_KD_1 0.999 2.500 3.001BRB_KD_2 0.999 2.500 3.001BRB_KD_3-5.001 0 5.0015.4. 不同模型使用相同的样本组来研究不同机器学习算法的性能随机森林或随机决策森林是一种用于分类、回归和其他任务的集成学习方法，其通过在训练期间构建大量决策树并输出作为个体树的类（分类）或平均预测（回归）的模式的类来操作（Sage等人，2020年; Han等人，2022年）。随机决策森林纠正