基于两阶段降维的复合数据股票趋势预测

包含丰富种类衍生变量的股票数据有利于更全面地分析市场变化,但其同时包含连续和离散数据,难以充分利用,并且高维数据的训练效率不高,且各维度之间存在不同程度的相关性,使得机器学习预测的效果欠佳。对此,研究提出了一种两阶段降维方法,通过结合无监督和有监督降维,在除去冗余特征、降低特征间相关性的同时,可以有效地将离散数据融入连续数据,将降维结果作为时变数据通过长短期记忆神经网络(Long Short-term Memory,LSTM)进行分析预测。实验结果证明,预测模型在预测精度、鲁棒性和回测收益方面相比于传统方法,均得到了提高。

高维生物学数据两阶段组合降维策略研究

目的探讨高维生物学数据的多阶段组合降维策略。方法以微阵列数据的判别分析为例,采用实际数据和模拟数据相结合的方法,提出"初步选维→进一步降维"的两阶段组合降维策略,并与后续的"判别→验证"相结合,形成了"选维→降维→判别→验证"的判别分析思路。以后续判别分析的预测效果、预测结果的稳定性与敏感性等为指标,对2种单一降维(PCA,PLS)方法和4种组合降维方法(PCA+SIR、PCA+SAVE、PLS+SIR和PLS+SAVE)进行了考察。结果从判别模型的预测效果、预测结果的稳定性及敏感性来看,PLS优于PCA,PLS+SIR/SAVE的组合降维效果更佳。结论用t计分法选维,以"PLS+SIR/SAVE"法进行降维的两阶段组合降维策略,对于微阵列数据判别分析,是实用的、可行的。