数模实操演示|投影寻踪法评价十支最值得购买的股票

已于 2023-12-13 19:43:46 修改
阅读量299 收藏 4
点赞数 2
分类专栏： 数学建模 数据分析 文章标签： 算法 机器学习 模拟退火算法 学习
于 2023-05-06 16:58:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/L040514/article/details/130526981
版权

前言

        本文展示实际操作的代码和效果，不作数学推导哦~本文用到的源码和数据都会给出，小伙伴们有需要自行领取。网上有许许多多使用遗传算法优化，我的观点是根本跑不出来，为了保证迭代的效果，迭代次数较多，模拟退火跑出来的时间都非常长，更别说在实际建模过程中的数据量和遗传的复杂度了。不过建模用遗传，结果用退火跑，也是可以的（狡猾）。

        本文一共四个步骤进行求解：

        建立无监督评价指标。这是因为附录只给出收盘价，只用这一指标进行求解太过单调，参考价值过低。

        数据和代码见百度网盘：

        链接：https://pan.baidu.com/s/1p9uSNuDBFubvTNfI03PC_g?pwd=hvaz 

        提取码：hvaz

目录

前言

题目

Step 1.  建立无监督评价指标

最大回辙率（极小型）：

收盘价稳定度（极小型）：

平均日收益率（极大型）：

Step2. 数据预处理 

Step3. 投影寻踪

Step4. 模拟退火

Step5 .结果展示

最优投影值：

最值得购买的十支股票：

灵敏度分析：

Step6 .完整源码

题目

        已有50支股票135天内的收盘价，请评价出十支最值得购买的股票。

8ef361f3006440f5833edd3c955a52d9.png

图1 股票收盘价数据（局部） 

Step 1.  建立无监督评价指标

最大回辙率（极小型）：

a48eb9fec7414611a5379470eb219817.png

drawdown0=zeros(n-1,m);%回辙率初始化
drawdown=zeros(1,m);% 最大回辙率初始化
for j=1:m
    for i=1:n-1
        drawnow0(i,j)=(close_price(i,j)-close_price(i+1,j))/close_price(i,j);
    end
end
drawdown=max(drawnow0);

图2 最大回辙率代码 

收盘价稳定度（极小型）：

0f61de3b53a54d2fa25c6c97c5ec7111.png

stability=zeros(1,m);% 收盘价稳定度初始化
for j=1:m
        stability(j)=((max(close_price(:,j))-min(close_price(:,j)))/max(close_price(:,j))+min(close_price(:,j)))*std(close_price(:,j));
end

图3 收盘价稳定度代码 

平均日收益率（极大型）：

000f4d4ceba54be68610670ab8bffd71.png

dailyrate0=zeros(n,m);% 日收益率初始化
for j=1:m
    for i=1:n-1
        dailyrate0(i,j)=(close_price(i+1,j)-close_price(i,j))/close_price(i,j);
    end
end
dailyrate=sum(dailyrate0)/n;

% 整理成一个表格
indicators(:,1)=drawdown';
indicators(:,2)=stability';
indicators(:,3)=dailyrate';

图4 平均日收益率代码 

d2464743c02c42b5bad3811638af8d29.png

Step2. 数据预处理 

对两个极小型指标进行正向化：d1d412d89d8946418ed1b30d5447c4b2.png

[n1,m1]=size(indicators);
for j=1:m1-1
    indicators(:,j)=max(indicators(:,j))-indicators(:,j);% 对两个极小型指标进行正向化
end

图5 正向化代码 

 然后对三个评价指标进行归一化：

24786ca7308f4928ad5b642b7fc7b3e2.png

normal_indicators=zeros(50,3);% 归一化矩阵初始化
for j=1:m1
    for i=1:n1
        normal_indicators(i,j)=(indicators(i,j)-0.02*min(indicators(:,j)))/(0.98*max(indicators(:,j))-0.02*min(indicators(:,j)));
    end
end

图6 归一化代码 

Step3. 投影寻踪

n为股票数，值为50，m为指标数，值为3。

计算各支股票的一维线性投影：

82bca150ccbc4bedab6fa8ad55c17acb.png

 定义投影寻踪的目标函数为：

0e2bb853600b4700a0d9d85dffa31b95.png

其中Sa为一维线性投影的标准差：

eeecb503de2c4bc3aabd9f084bfc90c5.png

 定义一维线性投影之间的距离：

bfed75b3acbf4d7ab47d667615fad185.png

定义阶跃函数：

f797ab86154d411c83f5f1fae1f0c831.png

因此投影寻踪优化模型如下：

314c017cdec14edb81bb6adc8a13e1df.png

function Qa=LinearPr(X,a)
% 计算线性投影
[n,m]=size(X);
for i=1:n
    sum1=0;
    for j=1:m
        sum1=sum1+a(j)*X(i,j);
    end
    Z(i)=sum1;
end
Sa=std(Z);% 线性投影值的方差 类间距离
R=0.1*Sa;% 领域半径
% 计算局部密度
Da=0;% 类内密度
for i=1:n
    for j=1:n
        r=abs(Z(i)-Z(j));% 线性投影间距
        t=R-r;% 阶跃信号
        if t<0
            u=0;
        else
            u=1;
        end
        Da=Da+t*u;
    end
end
Qa=Sa*Da;% 目标函数
end

图7 投影寻踪线性函数代码 

Step4. 模拟退火

 外层循环迭代次数：100次

初始温度：temper=1000

内层循环迭代次数：iter=10

退火速率：0.999

退火终止温度：0.0001

灵敏度分析：用一个sensitivity数组去记录每次内层循环迭代出来的最优目标函数值，在退火过程结束后绘制出sensitivity的折线图，观察其是否收敛，若收敛则可以说明模拟退火求解的结果有效。

% 模拟退火优化投影寻踪
% sensitivity=[];% 灵敏度分析矩阵
for i=1:100
    sensitivity=[];% 灵敏度分析矩阵
    temper=1000;% 初始温度
    iter=10;% 迭代次数
    temp=rand(1,3);% 生成一个线性投影初始解
    templinear=temp;% 存储最优线性投影
    Qa=LinearPr(normal_indicators,temp);% 生成初始目标函数值
    sensitivity =[Qa];
    while temper>0.0001% 退火
        for j=1:iter
            temp1=rand(1,3);
            Qa1=LinearPr(normal_indicators,temp1);
            if Qa1>Qa
                Qa=Qa1;
                templinear=temp1;
            else
                if exp((Qa1-Qa)/temper)>rand()
                    Qa=Qa1;
                    templinear=temp1;
                    sensitivity = [sensitivity, Qa];
                end
            end
            sensitivity = [sensitivity, Qa];
        end
        temper=temper*0.999;
        TempLinear(i,:)=templinear;% 存储各样本的线性投影值
    end
%     plot(sensitivity)
    Y(i)=Qa;
    i
end
plot(sensitivity)% 绘制灵敏度分析图
target=TempLinear(find(max(Y)==Y),:)% 先找出最大的评价值，然后在从投影向量矩阵TempLinear中寻找该向量
score=sum(normal_indicators.*target,2);

图8 模拟退火代码 

Step5 .结果展示

最优投影值：

e14f54b1586c484e816b74083fa3cd1f.png

 图9 最优投影向量 

最值得购买的十支股票：

14ab98d0f773432fbd391bae64a77415.png

图10 最优股票

灵敏度分析：

        可以看出目标函数值在经过狠多次迭代之后已经收敛了，本文认为模拟退火有效。因为时间的关系，我的迭代次数没有设置那么多，大家可以试试迭代更久。

57d49f4d4c604604901490d1ccbd2556.png

 图11 灵敏度分析 

Step6 .完整源码

clear;clc
tic
close_price=xlsread("50支股票的收盘价.xlsx");
[n,m]=size(close_price);
close_price=close_price（[2:136],:）;

% 建立无监督评价指标
drawdown0=zeros(n-1,m);%回辙率初始化
drawdown=zeros(1,m);% 最大回辙率初始化
for j=1:m
    for i=1:n-1
        drawnow0(i,j)=(close_price(i,j)-close_price(i+1,j))/close_price(i,j);
    end
end
drawdown=max(drawnow0);

stability=zeros(1,m);% 收盘价稳定度初始化
for j=1:m
        stability(j)=((max(close_price(:,j))-min(close_price(:,j)))/max(close_price(:,j))+min(close_price(:,j)))*std(close_price(:,j));
end

dailyrate0=zeros(n,m);% 日收益率初始化
for j=1:m
    for i=1:n-1
        dailyrate0(i,j)=(close_price(i+1,j)-close_price(i,j))/close_price(i,j);
    end
end
dailyrate=sum(dailyrate0)/n;

% 整理成一个表格
indicators(:,1)=drawdown';
indicators(:,2)=stability';
indicators(:,3)=dailyrate';

% 数据预处理
[n1,m1]=size(indicators);
for j=1:m1-1
    indicators(:,j)=max(indicators(:,j))-indicators(:,j);% 对两个极小型指标进行正向化
end
normal_indicators=zeros(50,3);% 归一化矩阵初始化
for j=1:m1
    for i=1:n1
        normal_indicators(i,j)=(indicators(i,j)-0.02*min(indicators(:,j)))/(0.98*max(indicators(:,j))-0.02*min(indicators(:,j)));
    end
end

% 模拟退火优化投影寻踪
% sensitivity=[];% 灵敏度分析矩阵
for i=1:100
    sensitivity=[];% 灵敏度分析矩阵
    temper=1000;% 初始温度
    iter=10;% 迭代次数
    temp=rand(1,3);% 生成一个线性投影初始解
    templinear=temp;% 存储最优线性投影
    Qa=LinearPr(normal_indicators,temp);% 生成初始目标函数值
    sensitivity =[Qa];
    while temper>0.0001% 退火
        for j=1:iter
            temp1=rand(1,3);
            Qa1=LinearPr(normal_indicators,temp1);
            if Qa1>Qa
                Qa=Qa1;
                templinear=temp1;
            else
                if exp((Qa1-Qa)/temper)>rand()
                    Qa=Qa1;
                    templinear=temp1;
                    sensitivity = [sensitivity, Qa];
                end
            end
            sensitivity = [sensitivity, Qa];
        end
        temper=temper*0.999;
        TempLinear(i,:)=templinear;% 存储各样本的线性投影值
    end
    Y(i)=Qa;
    i
end
plot(sensitivity)% 绘制灵敏度分析图
target=TempLinear(find(max(Y)==Y),:)% 先找出最大的评价值，然后在从投影向量矩阵TempLinear中寻找该向量
score=sum(normal_indicators.*target,2);
toc

function Qa=LinearPr(X,a)
% 计算线性投影
[n,m]=size(X);
for i=1:n
    sum1=0;
    for j=1:m
        sum1=sum1+a(j)*X(i,j);
    end
    Z(i)=sum1;
end
Sa=std(Z);% 线性投影值的方差 类间距离
R=0.1*Sa;% 领域半径
% 计算局部密度
sum2=0;
for i=1:n
    for j=1:n
        r=abs(Z(i)-Z(j));% 线性投影间距
        t=R-r;% 阶跃信号
        if t<0
            u=0;
        else
            u=1;
        end
        sum2=sum2+t*u;
    end
end
da=sum2;% 类内密度
Qa=Sa*da;% 目标函数
end

梨子串桃子
关注
  • 2
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
投影寻踪_客观评价方法_评价方法_
09-29
这种是一个评价方法 可以用来评价较为客观公正
【综合评价】投影寻踪模型
最新发布
m0_69321141的博客
09-15 2506
投影寻踪模型是基于降维的手段计算投影的特征值，将高维的空间映射到低维空间上，寻找一种能反映出高维数据信息的模型。在众多评价类模型中，它在稳健性、抗干扰性和准确性都较优异。
投影寻踪法（matlab）.zip
05-16
投影寻踪( projection pursuit，PP) 方法属于直接由样本数据驱动的探索性数据分析方法，是美国科学家 Kruscal 于 20 世纪 70 年代提出的，在高维性、非线性、非正态数据分析处理方面有独到之处，运用matlab编程，其计算步骤如下：( 1) 指标体系无量纲化； （2） 构造投影指标函数； （3）构造投影目标函数；( 4) 确定最佳投影方向；( 5) 确定投影值
投影追踪法
05-18
投影寻踪是处理和分析高维数据的一类统计方法，其基本思想是将高维数据投影到低维（1～3维）子空间上，寻找出反映原高维数据的结构或特征的投影，以达到研究和分析高维数据的目的。 本内容不仅包含了投影追踪法的代码，还有论文以及简明的介绍。
遗传投影寻踪模型代码.zip_luckykod_投影寻踪_投影寻踪评价_综合评价_遗传算法
07-14
亲测可用的遗传投影寻踪模型，主...遗传投影寻踪模型是指以投影寻踪模型的目标函数为遗传算法的适用度函数，通过遗传算法求出最大适应度值从而确定最佳的投影方向向量，以达到对多变量数据进行分类和综合评价的目的。
matalb投影寻踪算法（含代码)
06-08
在提供的压缩包文件“投影寻踪法（matlab）”中，很可能包含了一个或多个Matlab脚本，演示了如何实现投影寻踪算法。这些脚本可能包括数据预处理、投影寻踪算法的实现、结果分析和可视化等内容，对于学习和理解投影...
pp.rar_投影寻踪_投影寻踪 遗传_投影寻踪模型_投影算法_遗传投影寻踪
07-14
投影寻踪（Projection Pursuit，PP）是一种统计分析方法，常用于高维数据的降维和特征提取。在处理复杂数据集时，由于数据的维度过高，可能导致过拟合、计算复杂度增加以及理解困难等问题。投影寻踪通过寻找一组低维...
基于粒子群算法的投影寻踪法matlab代码
02-08
投影寻踪法，用粒子群优化算法进行求解，可用于解决综合评价法的赋权问题。
Matlab_投影寻踪_
09-30
基于实数编码的加速遗传算法；投影寻踪算法
投影寻踪-遗传算法MATLAB程序
10-28
相对比较完整的投影寻踪遗传算法的MATLAB程序，希望可以帮到大家
投影寻踪算法的matlab代码
07-05
投影寻踪算法的matlab代码，有4个m文件，结构很清晰
基于加速遗传算法的投影寻踪聚类模型
08-27
内容含加速遗传算法及基于遗传算法的投影寻踪聚类模型，程序有详细注释，方便操作 内容含加速遗传算法及基于遗传算法的投影寻踪聚类模型，程序有详细注释，方便操作
美赛整理之投影寻踪模型及其求解
热门推荐
赛亚茂的博客
10-11 1万+
投影寻踪模型1.模型的简介和应用2.基本步骤：3.遗传算法求解模型的优化问题1.用MatlabMatlabMatlab的gagaga工具箱求解：2.遗传算法求解：3.LINGOLINGOLINGO工具箱求解 1.模型的简介和应用 投影寻踪是处理和分析高维数据的一类统计方法，其基本思想是将高维数据投影到低维（1～3维）子空间上，寻找出反映原高维数据的结构或特征的投影，以达到研究和分析高维数据的目的。1974年，美国Stanford大学的Friedman和Tukey首次将该方法命名为Projection Pur
数学建模——模拟退火优化投影寻踪
weixin_52952969的博客
06-25 6948
  在考虑综合评价的时候，我们使用了各自主观、客观的方法去求解权重，客观权重的计算依靠着数据本身的分布来决定，有时候会出现各种各样不可抗拒的意外情况，其中在熵权法的解释在就有提到，有时候数据的重要程度和分布不一定是相关的。而投影寻踪法主要基于评价结果的方差及相互的绝对误差对权值进行调整，得到能反映原数据的最佳投影(可以理解为重要程度值)，这样得到的评价值更具有参考性。......
统计 | 投影寻踪回归PPR
weixin_44878159的博客
04-18 9269
统计 | 投影寻踪回归PPR一、投影寻踪1、基本思想2、发展历史3、投影指标的构建二、投影寻踪回归 一、投影寻踪 1、基本思想 传统降维方法：主成分分析（PCA）、独立成分分析（ICA）等，这些方法有一定的前提条件，需要总体服从正态分布。如果不满足正态性假设，可以用稳健方法或非参数的方法解决。 维数祸根（curse of dimensionality）：维数之咒所指的问题是，当维度增加时，空...
Projectioni Pursuit Regression
及烏
11-14 2955
Projection Pursuit Regression国内把PPR译作投影寻踪函数。大致理解就是回归函数将 pp 元向量映射为一元变量。这种方法先将 pp 维输入向量转化成一元变量，再对一元变量进行回归。
寻踪投影评价法MATLAB代码
06-10
以下是一份基于寻踪投影评价法的 MATLAB 代码，希望能对你有所帮助： ```matlab function [s, g, f] = trace_projection_evaluation(I, R, T, P) % I: image to be evaluated % R: reference image % T: translation vector (x, y) for aligning I with R % P: projection vector (theta) for aligning I with R % s: similarity score % g: gradient of similarity score % f: transformed image % convert I and R to double precision grayscale images I = im2double(rgb2gray(I)); R = im2double(rgb2gray(R)); % rotate and translate I using P and T Tform = affine2d([cosd(P) -sind(P) 0; sind(P) cosd(P) 0; T(1) T(2) 1]); I = imwarp(I, Tform, 'OutputView', imref2d(size(R))); % calculate similarity score s s = sum(sum(I .* R)) / sqrt(sum(sum(I .^ 2)) * sum(sum(R .^ 2))); % calculate gradient of similarity score g g = zeros(2, 1); for i = 1:2 % calculate gradient of I in direction i if i == 1 [dx, dy] = gradient(I); else [dy, dx] = gradient(I); end % rotate and translate gradient of I using P and T dx = imwarp(dx, Tform, 'OutputView', imref2d(size(R))); dy = imwarp(dy, Tform, 'OutputView', imref2d(size(R))); % calculate gradient of similarity score in direction i g(i) = 2 * sum(sum((dx .* R + I .* dy) .* R)) / sqrt(sum(sum(I .^ 2)) * sum(sum(R .^ 2))); end % calculate transformed image f f = imwarp(I, Tform, 'OutputView', imref2d(size(R))); end ``` 该代码实现了寻踪投影评价法的三个步骤：旋转和平移，计算相似度得分和梯度。输入参数包括待评估的图像 I、参考图像 R、平移向量 T 和旋转角度 P。输出结果包括相似度得分 s、相似度得分的梯度 g 和变换后的图像 f。 注意：该代码仅供参考，具体实现应根据具体需求进行调整。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值