基于模糊逻辑的CNN股指趋势预测模型研究

邓颖睿

（四川大学计算机学院，成都 610065）

0 引言

近年来，随着人工智能的飞速发展，交叉学科的日益深入，一些在其他领域应用的技术不断地运用在股票预测中，如随机过程、混淆理论以及小波分析等。这些新方法的引入为股票预测研究注入了强大的动力。目前，人工神经网络和支持向量机等计算机技术已经成为研究人员和投资者研究股市的重要方法。早在两百年前，K线图已用于预测价格方向和市场转折点[3]，通过不断实践和总结，形成了较完整的理论体系，但这是一种基于感知的方法，极具主观因素，没有清晰的界定。因此，为模仿人脑的不确定性概念判断和推理思维方式，以解决对界限不清晰的定性知识与经验难以量化的问题，前人将模糊逻辑使用到金融领域。模糊逻辑是一门建立在多值逻辑基础上，运用模糊集合的方法来研究模糊性思维、语言形式及其规律的学科。其原理是借助于隶属度函数概念，区分模糊集合，处理模糊关系，模拟人脑实施规则推理。模糊逻辑为解决此类问题提供了参考，实践证明应用模糊逻辑确实可以有效增强预测模型乃至交易模型的准确率。

早在2004年，模糊逻辑已经被用来将人类的认知融入到技术模式地中来；2006年首次将模糊逻辑应用于基于K线图的金融预测领域；随着神经网络算法的兴起，2016年 Kumar和 Ravi应用神经网络（Neural Network，NN）、模糊逻辑（Fuzzy Logic）开发技术交易策略[4]；2017年Garcia Santesmases在前人基础上将模糊逻辑应用于K线图[5]，设置模糊规则，用以模糊表达几种K线图特殊形态，但这样依然存在较大主观性，对金融领域知识要求较高。因此，为进一步降低主观因素影响，在现有研究的基础上，本文构建了一个基于模糊K线图的CNN股指预测模型，对下一周期股指趋势实现准确预测。

1 模糊K线图

目前我国资本市场中正在交易的金融产品的金融产品不断丰富，这些金融产品自每个交易日开盘起，就不断产生新的交易数据，按照交易周期的不同，交易数据可分为年数据和季度数据等，研究者根据研究目的选择，不同时间的划分的数据，这些交易数据的统一表达式（1）为：

其中：Dt是该周期的具体日期和时间；Opent是t周期的开盘价；Closet是t周期的收盘价；Hight是t周期的最高价；Lowt是t周期的最低价；vt是t周期的成交量。

K线图[6]源自日本，经过不断地演变，形成了拥有完整形式和分析理论的技术分析方法。K线图同样可根据所去交易周期的不同而划分为：分钟K线图、日K线图、周K线图和月K线图等，因此一个K线图就是一个周期，其中最直观的信息是在该周期内的：最高价、最低价、开盘价以及收盘价（为了方便使用，将其表示为：最高价 High（t）、最低价 Low（t）、开盘价 Open（t）、收盘价Close（t）），其中将开盘价与收盘价的价格差以矩形绘制，是为实体；最高价与实体的上端使用线段绘制，是为上影线；最低价和实体的下端同样使用线段绘制，是为下影线；因为开盘价与收盘价的价格差值存在正负，约定当价格差为正时，是为阳线（实体用红色绘制）；为负时，是为阴线（实体用绿色绘制）；为零时（实体使用线段绘制），如图1所示：

图1 K线图表示方法

1.1 模糊K线图

为模糊表达上、下影线和实体的长度，本文以字符“Length”表示其长度[7]，分别以下标 Upper（上影线）、Lower（下影线）和 body（实体）予以区分，high（t）是 t周期内最高价，low（t）是 t周期内最低价，open（t）是 t周期内开盘价，close（t）是t周期内收盘价，m为时间增量，K线图的上影线、下影线以及体的表达公式（2）、（3）、（4）依次如下：

将计算值作为隶属度函数的输入（x），带入计算隶属度（y）以确定隶属的模糊集合，本文研究的是对线与体长度的描述，因此选择“无”，“短”，“中长”，“长”作为模糊集的特征，并且在模糊集交点时，统一约定选择下一个模糊集作为其所在集，例如当对于“中长”和“长”隶属都为0.5时，该数据所属模糊集合是“长”。本次选用的隶属度函数为梯形形式[9]，并且为区分阳线阴线，选有以下两种模糊集的表示方法，如图2、3所示：

图2 Lengthupper和lengthlower的隶属度函数图

图3 Lengthbody的隶属度函数图

“Trend（t）”是指t+m时刻相对t时刻的趋势，如公式（5）所示：

1.2 数据获取以及预处理

为保证特征数据的代表性和丰富性，经过多方对比筛选，本文选择沪深三百（下文简称HS300）2013年1月4日分到2017年12月13日，以Dt=60min为周期（包含最高价、最低价、开盘价、收盘价），生成K线图后，使用上述公式，计算其隶属度，确定所在模糊集合（分别以 0，1，2，3 分别对应模糊集合“无”、“短”、“中长”、“长”，区分阴阳线在对应数字前面用正负号，正号为阳线，负号为阴线），并将处理后的数据按照表1所示，作为CNN的输入。

表1 基于模糊逻辑的输入

1.3 模型构建

卷积神经网络（Convolutional Neural Network，CNN）[7]，是一种专门处理高维度网格性数据而设计的神经网络。经典的CNN由输入层、卷积层、池化层、全连接层和输出层组成，如图4所示。CNN是一种前馈神经网络，其核心操作就是卷积操作，即对数据和卷积核做内积的操作叫卷积。

图4 卷积神经网络示意图

2 实验与分析

2.1 实验数据

（1）数据预处理

本文使用数据的是HS300自2013年1月4日9:30分到2017年12月13日14:55，以Dt=60min为周期，根据数据确定 Lengthupper、Lengthlower、Lengthbody所在模糊集合。

（2）参数优化

实验选择Python语言实现CNN，输入为模糊处理后的数据，随机初始化网络参数：学习率=0.01，训练循环次数=10000，随着训练次数增加，准确值达到最高，趋于稳定。

2.2 实验比较

为了测试模糊K线图与CNN的结合模型在趋势预测方面的性能，在实验中将神经网络、CNN、模糊规则模型进行预测准确率比较，选取多次实验中预测效果较好的6次结果如表4、图6所示。

表2 模型准确率对比

图5 模型准确率对比

从预测准确率实验可以看出，同样实验环境和数据集条件下，模糊规则和神经网络预测准确率较差，CNN模型预测准确率一般，模糊K线图与CNN的混合模型的预测结果最好，准确率最高达到92%，四种模型最好的预测准确率比较如表5所示。

表3 最好准确率对比

3 结语

股指趋势预测是一个热门且经典的研究课题。本文结合模糊逻辑将K线图特征更进一步描述，在降低主观影响的同时，不降低方法的准确度，通过“专家识图”的方法，实现了沪深300股指趋势的较为准确的预测，但该模型需再进一步优化，例如数据时间周期的变换，也可将持仓量交易量等进行模糊表达，用于优化模型。