王金策 邓越萍 史明 周云飞

摘 要：针对股票、基金等大量时间序列数据的趋势预测问题，提出一种基于新颖特征模型的多时间尺度时间序列趋势预测算法。首先，在原始时间序列中提取带有多时间尺度特征的特征树，其刻画了时间序列，不仅带有序列在各个层次的特征，同时表示了层次之间的关系。然后，利用聚类挖掘特征序列中的隐含状态。最后，应用隐马尔可夫模型（HMM）设计一个多时间尺度趋势预测算法（MTSTPA），同时对不同尺度下的趋势以及趋势的长度作出预测。在真实股票数据集上的实验中，在各个尺度上的预测准确率均在60%以上，与未使用特征树对比，使用特征树的模型预测效率更高，在某一尺度上准确率高出10个百分点以上。同时，与经典自回归滑动平均模型（ARMA）模型和PHMM（Pattern-based HMM）对比，MTSTPA表现更优，验证了其有效性。

关键词： 特征树;时间序列预测;多时间尺度趋势预测;隐马尔可夫模型

中图分类号： TP181

文献标志码：A

文章编号：1001-9081（2019）04-1046-07

Abstract： A time series trend prediction algorithm at multiple time scales based on novel feature model was proposed to solve the trend prediction problem of stock and fund time series data. Firstly， a feature tree with multiple time scales of features was extracted from original time series， which described time series with the characteristics of the series in each level and relationship between levels. Then， the hidden states in feature sequences were extracted by clustering. Finally， a Multiple Time Scaled Trend Prediction Algorithm （MTSTPA） was designed by using Hidden Markov Model （HMM） to simultaneously predict the trend and length of the trends at different scales. In the experiments on real stock datasets， the prediction accuracy at every scale are more than 60%. Compared with the algorithm without using feature tree， the model using the feature tree is more efficient， and the accuracy is up to 10 percentage points higher at a certain scale. At the same time， compared with the classical Auto-Regressive Moving Average （ARMA） model and pattern-based Hidden Markov Model （PHMM）， MTSTPA performs better， verifying the validity of MTSTPA.

Key words： feature tree; time series prediction; trend prediction at multiple time scales; Hidden Markov Model （HMM）

0 引言

伴隨着金融行业的快速发展，产生了大量垂类数据，如股票价格序列、期货价格序列以及各类基金价格序列等时间序列数据[1]，因此，金融时间序列预测已经得到了广泛的研究[2]。现有预测算法主要通过时间序列回归分析，实现单一时间尺度上的点预测，忽略了多时间尺度的趋势预测。多时间尺度趋势预测对于金融投资等领域中的应用具有重要意义。投资者往往需要预测金融产品在未来以日、周、月和季度为周期等不同时间尺度下的价格走势，从而设计最优的投资策略。……