一种基于高阶奇异分解的个性化股票推荐算法

作     者：茅斯佳 臧斌宇 张谧 Mao Sijia;Zang Binyu;Zhang Mi

作者机构：复旦大学软件学院上海200433 复旦大学软件学院并行处理研究所上海200433 上海市智能信息处理重点实验室(复旦大学)上海200433 

出 版 物：《计算机应用与软件》 (Computer Applications and Software)

年 卷 期：2015年第32卷第10期

页      面：284-290页

学科分类：08[工学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：股票推荐 高阶奇异分解 线性回归 

摘      要：提出算法预测基金经理对股票的投资策略,为个体投资者提供投资意见。不同于仅依据股票本身信息推荐的传统算法,该算法通过高阶奇异值分解算法HOSVD(Higher Order Singular Value Decomposition)学习基金经理的历史交易记录和投资者的个人特征因素,为投资者提供个性化推荐。除此之外,将非个性化推荐与个性化推荐进行整合,进一步提高推荐质量。对真实股票交易数据的仿真实验结果表明,用于推荐的个性化算法在准确度和收益率方面,优于传统的非个性化算法。