STOCK INVESTMENT DECISION SUPPORT USING AN ENSEMBLE OF L-GEM BASED ON RBFNN DIVERSE TRAINED FROM DIFFERENT YEARS.
在本文中，我们将深入探讨如何利用机器学习技术，特别是基于L-GEM的RBFNN集成方法，来支持股票投资决策。这种方法着重解决不同年份的数据对股票市场未来走势产生的不同影响，旨在通过历史数据来做出更准确的投资决策。
我们要解决的问题是，股票市场的预测与投资决策。在不断变化的市场环境中，投资者需要依据历史数据来判断未来的股票趋势，以做出买进或卖出的决定。传统的分析方法可能不足以捕捉到市场的复杂动态，因此，引入机器学习技术成为提升预测精度的关键。
第二部分涉及到的是背景知识。股票作为市场经济的重要组成部分，其价格波动吸引着众多投资者的关注。为了预测股票价格走势，人们发展了各种预测和分析工具。本文所采用的方法主要依赖于过去股票的历史数据。在此过程中，我们涉及到了两个重要的机器学习概念：多分类器系统（MCS）和径向基函数神经网络（RBFNN）。
MCS是一种多模型集成策略，它通过结合多个分类器的结果来提高整体的预测准确性。每个分类器在训练数据上独立学习，然后在测试数据上进行联合分析，这样可以降低过拟合风险，提高泛化能力。在股票预测中，MCS可以整合多种不同的预测模型，从而得到更为稳健的决策支持。
RBFNN是一种特殊类型的神经网络，其激活函数为径向基函数。这种网络的优势在于能够有效地处理非线性问题，对于股票价格这种高度复杂且非线性的数据，RBFNN能更好地捕捉其内在模式。网络的输出是输入数据的径向基函数和神经元参数的线性组合，这使得它在处理时间序列数据如股票价格时具有较高的精度。
接下来是局部泛化误差模型（L-GEM）。泛化误差是衡量机器学习模型在未见过的数据上的表现，它是训练集与测试集误差的差距的平均值。L-GEM关注的是如何度量模型在特定数据分布下的泛化性能。在股票投资领域，一个优秀的模型应该能在新的时间点上有效地预测股票价格，而不仅仅是对训练数据有良好的拟合。通过L-GEM，我们可以评估不同年份数据训练出的模型在不同市场环境下的表现，以选择最佳的决策模型。
综合以上，本文提出的解决方案是构建一个由不同年份训练的RBFNN组成的MCS，以L-GEM为基础，分析和比较这些模型的泛化误差。通过这种方法，投资者可以获取更全面、更精确的市场洞察，从而做出更明智的股票投资决策。这种方法克服了单一模型可能存在的局限性，提高了预测的稳定性和准确性，对于个人和机构投资者都具有很高的实用价值。
