基于Stacking的集成算法在证券趋势预测中的应用

股票价格的趋势预测一直是金融领域的重要问题,也是一个难题。但即使是对预测性能的微小改进,也可以为金融工程的技术手段带来非常可观的收益。现有研究大多为单一预测算法,旨在通过对比寻求预测效果更优的算法。文中结合指数移动平均值、相对强弱指数等10个有效技术指标,构建基于Stacking集成学习的股票趋势涨跌预测方法,以预测性能较好且存在差异的异质机器学习算法作为Stacking集成的初级学习器,以逻辑回归方法作为元学习器,进行集成预测。选取上证指数和深圳成指作为研究对象,以ROC曲线下方面积AUC值作为性能评估指标。研究结果表明,Stacking集成学习方法的预测性能优于单一预测模型,并通过Friedman检验证明,Stacking集成算法和单一算法之间存在显著差别。     

探索网络化作战的预警机

中国预警机的发展为世界瞩目,实现了技术领先.在平台中心战时代,预警机是集多种传感器于一体的情报站、指挥所,而网络化作战模式转变是当代信息战争的主要需要.研究探讨了新一代预警机的定位,明确了其核心节点的作用.进而,结合军事电子信息系统的五代划分,从预警探测、指挥控制、无源侦察、电子自卫、综合通信、航电一体化等方面描绘了网络化作战中预警机的未来形态.基于需求牵引和技术推动的双重考量,展望了后续的研究方法和技术途径,指出预警机作战使用需要密切关注任务规划和训练装备的发展.     

基于改进自适应遗传算法的特种飞机航线规划方法

针对特种飞机在遂行任务过程中受限的诸多受限因素,提出了基于改进自适应遗传算法的特种飞机航线规划方法.首先,对航线规划中的问题建模,应用权重惩罚函数综合考虑各个因素.然后,采用自适应技术修正交叉概率和变异概率.最后,权衡种种因素规划出可能完成任务的一条航线.仿真结果表明基于改进自适应遗传算法不易收敛于局部最优,算法复杂度低、计算量少,适于工程实现.     

基于深度强化学习算法的投资组合策略与自动化交易研究

投资组合策略问题是金融领域经久不衰的一个课题,将人工智能技术用于金融市场是信息技术时代一个重要的研究方向。目前的研究较多集中在股票的价格预测上,对于投资组合及自动化交易这类决策性问题的研究较少。文中基于深度强化学习算法,利用深度学习的BiLSTM来预测股价的涨跌,以强化学习的智能体进行观测,更好地判断当期情况,从而确定自己的交易动作;同时,利用传统的投资组合策略来建立交易的预权重,使智能体可以在自动化交易的过程中进行对比,从而不断优化自己的策略选择,生成当期时间点内最优的投资组合策略。文章选取美股的10支股票进行实验,在真实的市场模拟下表明,基于深度强化学习算法的模型累计收益率达到了86.5%,与其他基准策略相比,收益最高,风险最小,具有一定的实用价值。