技术特征：
1.股票预测与投资组合优化方法，其特征在于，包括以下步骤：s1、创建支持向量机回归模型；s2、将基于禁忌搜索和微分进化的融合算法dets应用于优化支持向量机回归模型的参数；s3、通过参数优化后的支持向量机回归模型进行股票预测，得到股票预测数据；s4、结合融合算法dets和pareto排序理论，得到适应多目标优化的算法nsde-ts，并将其与预测数据结合，生成符合实际要求的股票投资组合方案。2.根据权利要求1所述的股票预测与投资组合优化方法，其特征在于，所述步骤s2包括以下步骤：s2-1、获取股票的历史数据，并将历史数据分为训练集和测试集；s2-2、对训练集和测试集的数据进行归一化；s2-3、对测试集中的输入集x_test进行预处理，聚合成为x_test’；s2-4、设定种群规模pop，进化代数g
a
，变异算子值β，线性不敏感损失值ε，交叉率pε，变异率pm，禁忌矩阵[w1，w2，...，w
k
]和禁忌搜索移动次数g
t
；s2-5、种群初始化；s2-6、同时进行变异行为和交叉行为；s2-7、计算适应度，进行轮盘赌选择，更新最优参数组合和种群的状态，并判断是否满足循环结束条件，不满足则返回步骤s2-5，满足则结束循环，并输出优秀参数组合[c_good,y_good]；s2-8、设定隔代的禁忌表，代入优秀参数组合[c_good,y_good]，禁忌矩阵[w1，w2，...，w
k
]进行g
t
次移动，得到最优参数组合[c_best,y_best]，从而得到参数优化后的支持向量机回归模型。3.根据权利要求2所述的股票预测与投资组合优化方法，其特征在于，所述步骤s2-6包括：1)变异行为：随机选取两个不同的个体，将其向量差缩放后与待变异个体进行向量合成，即i≠r1≠r2≠r3，其中，f为缩放因子，x
i
(g)表示第g代种群中第i个个体；同时引入自适应因子，设计如下:f＝f0·
k
λ
其中，f0为变异算子；g
m
代表最大进化代数；g代表当前进化代数；在算法开始时自适应变异算子为kf0，k的大小根据自变量的规模进行衡量；初期f具有大值，可有效保持个体多样性，避免早熟，实现全局搜索；随着算法进展变异算子逐步降低，到后期变异率接近f0，保留优良个体,实现局部深度搜索；2)交叉行为：将个体x
m
(c
m
，y
m
)和按照轮盘赌抽选的个体x
n
(c
n
，y
n
)进行交叉互换，得到x
′
m
(c
m
，y
n
)和x
′
n
(c
n
，y
m
)；
3)检测行为：逐一检查更新后的种群个体；如果个体的分量x
i
>max
i
，则令x
i
＝max
i-rand
×
(x
i-max
i
)；如果个体的变量x
i
<0，则令x
i
＝rand
×
(-x
i
)；rand为0到1的随机数，max
i
为分量x
i
的最大边界值，x
i
∈[-max
i
，2max
i
]。4.根据权利要求2所述的股票预测与投资组合优化方法，其特征在于，所述步骤s2-8中，每次整体移动时，不断输入kw，生成[kw，-kw，...，0]，...，[0，...，kw，-kw]和[-kw，kw，...，0]，...，[0，...，-kw，kw]；w代表自变量最大边界值-当前值或当前值-最小边界值；每次移动记录最优值和对应的系数组合，检查其是否符合禁忌条件；同样以误差倒数为目标函数，将满足的最优值代入下一次迭代；最后将最优参数组合输出,即[c_best,y_best]。5.根据权利要求1所述的股票预测与投资组合优化方法，其特征在于，所述步骤s3中，通过参数优化后的支持向量机回归模型进行股票预测，得到的结果进行反归一化，从而得到股票预测数据。6.根据权利要求1所述的股票预测与投资组合优化方法，其特征在于，所述步骤s4具体包括：s4-1、初始化分子种群；s4-2、计算每个分子的目标函数值，并求得其适应值；对每个个体进行评价，根据pareto支配评价准则，划分等级号和计算拥挤度，生成精英种群；s4-3、利用锦标赛思想对种群进行排序和筛选；s4-4、根据概率进行微分进化操作，优化种群；s4-5、重新求得种群目标函数值，排序值和拥挤度，进行种群的筛选；s4-6、判断是否符合循环结束条件，如果不符合则返回步骤s4-2，符合则输出对应的pareto优秀解集和pareto前沿；s4-7、设定隔代的禁忌表，针对pareto优秀解集，定义空间移动矩阵v，整体移动g
t
次，生成的新的空间移动矩阵中，进行边界检测，如果系数中有大于1或小于0，则去除这种空间移动矩阵；s4-8、分别比较收益值和风险值，如果某组合求出的风险收益均大于其他组合，则该组合为最优组合；否则，计算风险值-收益值，计算结果最大的为最优组合；s4-9、满足最大迭代次数，循环结束；根据pareto支配评价准则，重新划分等级号和计算拥挤度，输出最终的pareto最优解集和pareto前沿。7.根据权利要求6所述的股票预测与投资组合优化方法，其特征在于，所述步骤s4-4具体包括：1)变异行为：引入自适应因子，进行微分变异操作；2)检测行为：每个个体x
n
∈[0，1]，由于变异后的系数仍然和为1，对变异后的个体进行扫描，删去超出边界的系数；对剩余的系数进行求和，如果结果大于1，则继续删除剩余系数中最大的值，直到求和结果小于1；对删除的系数位进行随机数产生，保证最终个体的和为1；3)交叉行为：为了在不同代数中增加多样性，设定交叉自适应因子，根据不同代数调整交叉位；设置交叉适应函数位：|y(x)|取整；实现交叉互换后，将交换的部分加和
为m1，将未被交换的部分进行大小排列；m1与剩余的最小值加和，如果m1+m1<1，则继续进行操作，直到m
k
+1+m
k
>1，则固定m
k
内的系数，使剩余的系数位按照由大到小随机生成，使最终生成的系数和为1。8.股票预测与投资组合优化系统，所述股票预测与投资组合优化系统用于实现权利要求1-7所述股票预测与投资组合优化方法，其特征在于，包括创建模块(1)、优化模块(2)、股票预测模块(3)、投资组合模块(4)；其中，所述创建模块(1)，用于创建支持向量机回归模型；所述优化模块(2)，用于对创建模块(1)创建的支持向量机回归模型进行优化；所述股票预测模块(3)，采用优化后的支持向量机回归模型对股票进行预测；所述投资组合模块(4)，结合融合算法dets和pareto排序理论，得到适应多目标优化的算法nsde-ts，并将其与预测数据结合，生成符合实际要求的股票投资组合方案。9.一种计算机包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任意一项所述方法的步骤。10.一种存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任意一项所述方法的步骤。
技术总结
本发明公开了股票预测与投资组合优化方法、系统、计算机及存储介质，采用基于禁忌搜索和微分进化的融合算法DETS，将历史数据与预测数据融合成为新的数据以改善历史数据集的缺陷，再通过融合算法DETS和Pareto排序理论相结合进行投资组合配置，从而解决预测难、组合优化难两大难点，规避现有的投资组合优化算法专注于历史数据且存在解的全局搜索能力低、时间复杂度高和解集收敛性低等缺点，在求解速度、解集的优化质量上都有较高提升，达到提高收益、降低风险的目的。降低风险的目的。降低风险的目的。
技术研发人员：张学聪 樊锁海 鲁嘉
受保护的技术使用者：暨南大学
技术研发日：2021.10.29
技术公布日：2022/3/7