基于模糊逻辑与自动机器学习的混合方法优化股票价格预测研究

股票价格预测是时间序列分析领域的重大挑战。研究人员创新性地将模糊时间序列(FTS)与自动机器学习(AutoML)相结合，通过优化模糊分区参数和滞后阶数，构建了分类任务驱动的预测模型。实验证明该方法在多个金融数据集上显著提升预测性能，同时保持模型可解释性，为金融时间序列预测提供了新思路。

　　

在金融领域，股票价格预测一直是时间序列分析中最具挑战性的课题之一。传统方法如ARIMA（自回归综合移动平均模型）难以捕捉金融数据的非线性和模糊特征，而模糊时间序列(Fuzzy Time Series, FTS)虽然能处理不确定性，但存在参数选择依赖经验、滞后阶数固定等局限性。随着机器学习技术的发展，如何将FTS与现代算法有机结合，在提升预测精度的同时保持模型可解释性，成为学术界和业界的共同难题。

为突破这些技术瓶颈，研究人员开展了一项创新性研究，成果发表在《Expert Systems with Applications》。该研究首次将自动机器学习(AutoML)技术引入FTS建模过程，通过构建混合预测框架，实现了模糊分区参数和滞后阶数的自动化优化。研究团队采用TPOT（基于树的管道优化工具）和MLP（多层感知机）两种AutoML方案，将预测问题重构为分类任务，利用百分比差分转换确保数据平稳性，并创新性地提取了模糊集隶属度、位置特征等关键指标。

关键技术方法包括：1）基于贝叶斯优化的超参数搜索确定最优模糊集数量和类型；2）采用三角、余弦和高斯三种隶属函数进行数据模糊化；3）通过最大t-协范式聚合模糊化数据；4）构建包含滞后特征的三维输入空间（类别、隶属度、位置标志）；5）使用校准分类器优化预测概率。实验数据涵盖Hénon映射和Lorenz混沌系统，以及上海股市、TAIEX指数等真实金融数据集。

研究结果部分显示：

1. 混沌时间序列预测：在Hénon数据集上，网格搜索法配置的模型MSE（均方误差）达1.328×10^-3，优于传统RBF（径向基函数）模型的2.080×10^-3；Lorenz系统中TPOT模型RMSE（均方根误差）仅0.00417，显著低于KBLCCG算法的0.0686。
2. 金融数据集表现：上海月度数据预测MAE（平均绝对误差）降至448.34，较BPNN（反向传播神经网络）基准提升33.7%；TAIEX数据集在2010-2019年间，XGBoost模型在8个年份超越FTS-AP-SVR基准。
3. 多变量预测验证：土耳其里拉汇率预测中，USD/TRY组合2015年RMSE达0.0229，优于FF-ANN-PSO的0.0266；但GBP/TRY组合表现波动较大，显示模型对某些货币对的适应性有待提升。

研究结论指出，该方法通过AutoML自动化优化过程，解决了传统FTS模型参数选择的主观性问题。创新性地将回归问题转化为分类任务，既保留了模糊逻辑的可解释优势，又融入了机器学习的高精度特性。特别是提出的特征工程方案，能够捕捉时间序列在模糊空间的细粒度特征，而基于逻辑连接的聚合方式确保了规则可追溯性。在金融预测领域，这种"白盒"特性对风险管理和投资决策具有重要意义。未来研究可向自适应模糊分区、深度模糊网络等方向拓展，进一步提升对非平稳金融数据的建模能力。

该研究的核心价值在于建立了模糊理论与AutoML的协同框架，为处理具有不确定性的时间序列预测问题提供了标准化解决方案。相比现有文献，其技术突破主要体现在三方面：首次应用AutoML优化FTS参数、创新性地采用分类任务重构预测问题、系统性地开发了兼顾精度与解释性的特征工程方案。这些成果不仅适用于金融领域，对医疗、能源等需要处理模糊信息的预测场景也具有重要参考价值。