基于蜣螂算法、减法优化器算法、鲸鱼优化算法优化极限学习机实现股票回归预测研究附Matlab代码

最新推荐文章于 2025-12-03 17:03:32 发布

原创最新推荐文章于 2025-12-03 17:03:32 发布 · 502 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #回归 #matlab

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在当今复杂多变的金融市场中，股票价格的波动受到宏观经济、行业动态、公司业绩、投资者情绪等多种因素的综合影响，其预测一直是金融领域的研究热点和难点。准确的股票回归预测不仅能够为投资者提供决策参考，帮助其规避风险、获取收益，还对金融市场的稳定运行具有重要意义。

传统的股票预测方法如技术分析、基本面分析等，往往依赖于分析师的经验和主观判断，难以处理海量的市场数据和复杂的非线性关系，预测精度有限。随着人工智能和机器学习技术的发展，许多智能算法被应用于股票预测领域。极限学习机（ELM）作为一种单隐层前馈神经网络，具有训练速度快、泛化能力强等优点，在回归预测问题中展现出良好的应用前景。然而，ELM 的性能很大程度上依赖于输入权重和偏置的选择，随机初始化这些参数可能导致模型精度不高、稳定性差等问题。

群智能优化算法能够通过模拟自然界生物的群体行为寻找最优解，为优化 ELM 参数提供了有效途径。蜣螂算法（Dung Beetle Optimizer，DBO）、减法优化器算法（Subtraction Optimizer，SO）和鲸鱼优化算法（Whale Optimization Algorithm，WOA）都是近年来受到关注的群智能优化算法，各自具有独特的寻优机制和性能优势。将这三种算法分别用于优化 ELM 的输入权重和偏置，构建股票回归预测模型，有望提高预测精度和稳定性，为股票市场分析提供新的方法和思路。

二、相关理论基础

（二）蜣螂算法（DBO）

蜣螂算法是模拟蜣螂的滚粪球、跳舞、繁殖和觅食等行为而提出的群智能优化算法。该算法主要包括四个阶段：滚球阶段、跳舞阶段、繁殖阶段和觅食阶段。在滚球阶段，蜣螂个体围绕粪球滚动，实现局部寻优；跳舞阶段通过随机移动扩大搜索范围，增强全局寻优能力；繁殖阶段和觅食阶段则分别保证了算法的收敛性和多样性。DBO 具有寻优精度高、收敛速度快的特点。

（三）减法优化器算法（SO）

减法优化器算法是一种基于种群的优化算法，其核心思想是通过不断删除种群中较差的个体，并生成新的个体来替换，从而实现种群的进化和寻优。该算法操作简单，参数较少，具有较强的全局搜索能力和鲁棒性，在处理复杂优化问题时表现出良好的性能。

（四）鲸鱼优化算法（WOA）

鲸鱼优化算法模拟了座头鲸的狩猎行为，主要包括包围猎物、气泡网攻击和搜索猎物三个阶段。在包围猎物阶段，鲸鱼个体向猎物位置靠近；气泡网攻击阶段通过收缩包围和螺旋更新位置来实现局部寻优；搜索猎物阶段则通过随机搜索扩大寻优范围，增强全局寻优能力。WOA 具有结构简单、收敛速度快、易于实现等优点。

三、基于优化 ELM 的股票回归预测模型设计

（一）模型总体框架

本研究构建的股票回归预测模型总体框架包括数据预处理、特征选择、优化 ELM 模型构建和预测输出四个部分。首先对采集到的股票数据进行预处理，包括数据清洗、归一化等操作；然后通过特征选择筛选出对股票价格影响显著的特征变量；接着分别利用蜣螂算法、减法优化器算法和鲸鱼优化算法优化 ELM 的输入权重和偏置，构建三个优化后的 EL

（三）特征选择

从预处理后的股票数据中提取多个特征变量，如开盘价与收盘价的差值、最高价与最低价的差值、成交量的变化率等。采用皮尔逊相关系数法或互信息法计算各特征变量与股票收盘价（预测目标）之间的相关性，筛选出相关性较高的特征变量作为模型的输入，以减少输入维度，提高模型的预测效率和精度。

（四）基于三种优化算法的 ELM 模型构建

基于蜣螂算法优化 ELM（DBO-ELM）模型

初始化蜣螂种群，每个个体代表一组 ELM 的输入权重和偏置。

以 ELM 的预测误差作为适应度函数，计算每个个体的适应度值。

按照蜣螂算法的滚球、跳舞、繁殖和觅食阶段进行种群更新，不断寻找最优的输入权重和偏置。

将优化得到的最优参数代入 ELM，构建 DBO-ELM 预测模型。

基于减法优化器算法优化 ELM（SO-ELM）模型

初始化减法优化器的种群，每个个体对应 ELM 的一组输入权重和偏置。

计算个体的适应度值（ELM 预测误差），并根据适应度值排序。

删除种群中适应度较差的个体，通过生成新的个体替换被删除的个体，实现种群更新。

经过多轮迭代，得到最优的 ELM 参数，构建 SO-ELM 预测模型。

基于鲸鱼优化算法优化 ELM（WOA-ELM）模型

初始化鲸鱼种群，每个个体代表 ELM 的输入权重和偏置。

以 ELM 的预测误差为适应度函数，确定当前最优个体（猎物位置）。

按照鲸鱼优化算法的包围猎物、气泡网攻击和搜索猎物阶段更新个体位置。

迭代结束后，将最优参数代入 ELM，构建 WOA-ELM 预测模型。
四、结论与展望

（一）结论

本研究将蜣螂算法、减法优化器算法和鲸鱼优化算法分别应用于极限学习机的参数优化，构建了三种股票回归预测模型，并通过实验验证了模型的有效性。实验结果表明：
1. 与未优化的 ELM 模型相比，三种优化后的模型在股票回归预测中均具有更高的精度和更好的稳定性，证明了群智能优化算法对 ELM 参数优化的有效性。
1. 在三种优化模型中，DBO-ELM 模型的预测性能最优，SO-ELM 和 WOA-ELM 模型次之，说明不同的群智能优化算法在优化 ELM 时表现出不同的性能，蜣螂算法在该研究场景下更具优势。
（二）展望

未来的研究可以从以下几个方面展开：
1. 考虑引入更多的影响因素，如宏观经济指标、政策新闻等文本数据，通过文本挖掘技术提取特征，丰富模型的输入，提高预测的全面性。
1. 尝试将多种群智能优化算法进行融合，结合不同算法的优势，构建混合优化算法，进一步提高 ELM 的优化效果。
1. 扩大实验数据集的范围，对多支不同行业、不同规模的股票进行预测分析，验证模型的通用性和适应性。
1. 考虑股票市场的动态性和非线性，结合时间序列分析方法（如 LSTM 等）与优化后的 ELM 模型，构建更符合股票市场特性的预测模型。