基于正交因子的高维数据双聚类算法（BCBOF）及其在股票趋势预测中的应用
机器学习
2025-05-01 v1 人工智能
摘要
双聚类是数据挖掘和模式识别中有效的技术。基于传统聚类的双聚类算法在处理高维数据时面临两个根本性限制：(1) 高维空间中的距离浓缩现象导致数据稀疏，使相似性度量失效；(2) 大多数线性降维方法破坏关键的局部结构模式。为将双聚类应用于高维数据集，我们提出了基于正交因子的双聚类算法（BCBOF）。首先，我们在高维数据集的向量空间中构建正交因子。然后，我们使用原始数据在正交子空间中的坐标作为聚类目标执行聚类。最后，我们获得原始数据集的双聚类结果。由于在聚类之前应用了降维，所提出的算法有效地缓解了高维度数引起的数据稀疏问题。此外，我们将此双聚类算法应用于股票技术指标组合和股票价格趋势预测。将双聚类结果转换为模糊规则，并将盈利保持规则和止损规则纳入规则集，最终形成用于股票价格趋势预测和交易信号的模糊推理系统。为评估BCBOF的性能，我们使用多个评估指标将其与现有的双聚类方法进行比较。结果显示，我们的算法在各种双聚类技术中性能更佳。为了验证模糊推理系统的有效性，我们使用10只A股股票的历史数据进行了虚拟交易实验。实验结果表明，生成的交易策略为投资者带来了更高的收益。
引用
@article{arxiv.2504.21289,
title = {Orthogonal Factor-Based Biclustering Algorithm (BCBOF) for High-Dimensional Data and Its Application in Stock Trend Prediction},
author = {Yan Huang and Da-Qing Zhang},
journal= {arXiv preprint arXiv:2504.21289},
year = {2025}
}