本文關鍵詞：基于神經(jīng)網(wǎng)絡的股票預測分析和研究，由筆耕文化傳播整理發(fā)布。

【摘要】：股票是市場經(jīng)濟的產(chǎn)物，從誕生的那天起就牽動著數(shù)以千萬投資者的心。高風險、高回報是股票投資的特征，個人投資者和機構投資者時刻關心股票行市，分析財務數(shù)據(jù)，試圖預測股票的發(fā)展趨勢。股票市場是一個復雜的非線性動態(tài)系統(tǒng)，利用傳統(tǒng)的時間序列預測技術預測效果并不理想。神經(jīng)網(wǎng)絡是一個不依賴于模型的自適應函數(shù)估計器，不需要模型就可以實現(xiàn)任意的函數(shù)關系。目前，神經(jīng)網(wǎng)絡逐漸成為非線性動態(tài)系統(tǒng)預測與建模的強有力的工具。 本文通過研究數(shù)據(jù)挖掘算法即神經(jīng)網(wǎng)絡在股票價格預測中的應用，來尋求數(shù)據(jù)挖掘技術與股票預測的結合點。本文借助神經(jīng)網(wǎng)絡對非線性函數(shù)的逼近能力，，提出基于BP神經(jīng)網(wǎng)絡的股票價格預測模型，通過對比傳統(tǒng)的時間序列預測方法，證實BP神經(jīng)網(wǎng)絡算法用于股票預測的可行性及有效性。 本課題的理論意義在：(1)探究新的股票投資風險分析和評估技術，豐富和完善股票投資風險分析和評估方法發(fā)體系：(2)將數(shù)據(jù)挖掘技術引入股票投資風險分析和評估，有利于推動股票投資風險分析和評估方法的發(fā)展。本項目研究的應用價值體現(xiàn)在：(1)提供一種基于多因素的股票投資風險定量分析技術，有利于提高評估的正確性；(2)提供一種基于BP神經(jīng)網(wǎng)絡的綜合評估方法，有利于提高評估的科學性；(3)為股票市場的個人投資者和機構投資者的投資活動和投資決策提供新的思路和實用方法。
【關鍵詞】：神經(jīng)網(wǎng)絡 股票預測 數(shù)據(jù)挖掘算法 BP算法
【學位授予單位】：長安大學
【學位級別】：碩士
【學位授予年份】：2006
【分類號】：F830.91;F224
【目錄】：

• 摘要3-4
• Abstract4-9
• 第一章 緒論9-19
• 1.1 研究背景9-10
• 1.2 股票分析預測方法綜述10-12
• 1.3 神經(jīng)網(wǎng)絡的研究與發(fā)展12-15
• 1.4 數(shù)據(jù)挖掘技術的研究與發(fā)展15-17
• 1.5 論文的主要內容及創(chuàng)新之處17-19
• 1.5.1 論文的主要內容17
• 1.5.2 論文的結構安排17
• 1.5.3 論文的創(chuàng)新之處17-19
• 第二章 證券預測分析理論19-31
• 2.1 證券的概述19
• 2.2 國外證券市場19-20
• 2.3 股票的概述20
• 2.4 股票常用預測方法20-25
• 2.4.1 證券投資分析方法20-23
• 2.4.2 時間序列分析法23-24
• 2.4.3 神經(jīng)網(wǎng)絡預測方法24
• 2.4.4 其他預測方法24
• 2.4.5 股價預測存在的問題24-25
• 2.5 股票價格、股票預測變量及相關變量25-27
• 2.5.1 股票價格25-26
• 2.5.2 股票預測變量和相關變量26-27
• 2.6 股票常用技術指標27-30
• 2.6.1 移動平均線(MA)27
• 2.6.2 隨機指數(shù)(KD線)27
• 2.6.3 平滑異同移動平均線(MACD)27-28
• 2.6.4 相對強弱指數(shù)(RSI)28
• 2.6.5 交易量指標(OBV)28-29
• 2.6.6 人氣買賣指標(AR)29
• 2.6.7 買賣意愿指標(BR)29-30
• 2.6.8 乖離率(BIAS)30
• 2.7 本章小節(jié)30-31
• 第三章 數(shù)據(jù)挖掘技術分析31-34
• 3.1 數(shù)據(jù)挖掘的基本思想與工作流程31
• 3.2 數(shù)據(jù)挖掘分類31-32
• 3.3 數(shù)據(jù)挖掘算法32-33
• 3.3.1 關聯(lián)規(guī)則32
• 3.3.2 粗糙集理論32
• 3.3.3 進化計算32
• 3.3.4 決策樹32-33
• 3.3.5 人工神經(jīng)網(wǎng)絡33
• 3.3.6 灰色系統(tǒng)理論33
• 3.4 數(shù)據(jù)挖掘算法在股票預測應用中意義33
• 3.5 本章小節(jié)33-34
• 第四章 神經(jīng)網(wǎng)絡及 BP算法34-45
• 4.1 神經(jīng)網(wǎng)絡概述34-35
• 4.2 神經(jīng)網(wǎng)絡的特性35-36
• 4.3 FMNN模型36-37
• 4.4 BP學習算法37-44
• 4.4.1 BP算法37-39
• 4.4.2 標準 BP算法公式39-40
• 4.4.3 BP算法的局限性及改進40-41
• 4.4.4 參數(shù)自適應 BP算法41-42
• 4.4.5 BP網(wǎng)絡的學習過程42-44
• 4.5 本章小節(jié)44-45
• 第五章 神經(jīng)網(wǎng)絡在股票價格預測中的應用45-68
• 5.1 神經(jīng)網(wǎng)絡在股票預測中的可行性45
• 5.2 系統(tǒng)分析與設計45-51
• 5.2.1 需要分析45-46
• 5.2.2 問題具體化46-48
• 5.2.3 系統(tǒng)設計48
• 5.2.4 數(shù)據(jù)預處理48-49
• 5.2.5 網(wǎng)絡拓撲的設計49
• 5.2.6 初始參數(shù)的選擇49-50
• 5.2.7 神經(jīng)網(wǎng)絡預測的一般步驟50
• 5.2.8 性能評價標準50-51
• 5.3 BP網(wǎng)絡在股票價格預測中的應用51-59
• 5.3.1 樣本的生成51-52
• 5.3.2 輸入向量的確定52-53
• 5.3.3 參數(shù)的確定53-59
• 5.4 時間序列預測技術在股票預測中的應用59-67
• 5.4.1 一次指數(shù)平滑法59-60
• 5.4.2 二次指數(shù)平滑法60-61
• 5.4.3 三次指數(shù)平滑法61-62
• 5.4.4 指數(shù)平滑法對股票價格進行預測62-67
• 5.5 本章小結67-68
• 第六章 結論68-69
• 致謝69-70
• 參考文獻70-72
• 附錄72-78
• 攻讀碩士學位期間發(fā)表的論文和取得的科研成果78

【引證文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 楊澤民;王文軍;郭顯娥;;基于協(xié)同微粒群的股票數(shù)據(jù)關聯(lián)規(guī)則挖掘[J];吉林師范大學學報(自然科學版);2012年03期

2 曾明;魏衍;;一種BP神經(jīng)網(wǎng)絡改進算法的研究及應用[J];微計算機信息;2009年18期

中國碩士學位論文全文數(shù)據(jù)庫 前8條

1 陳政;一種改進的遺傳算法優(yōu)化BP網(wǎng)絡的研究及應用[D];暨南大學;2011年

2 南敏;基于粗糙集與神經(jīng)網(wǎng)絡的股價走勢分析模型的研究[D];青島理工大學;2010年

3 宣國慶;基于神經(jīng)網(wǎng)絡交叉覆蓋算法的學生成績預測[D];安徽大學;2011年

4 李青;一類非平穩(wěn)經(jīng)濟序列預測模型的研究[D];新疆大學;2007年

5 李雨欣;人工神經(jīng)網(wǎng)絡技術研究的哲學思考[D];武漢科技大學;2007年

6 李曉靜;股價預測的非線性方法研究[D];廣西師范大學;2008年

7 朱一嘉;基于RBF神經(jīng)網(wǎng)絡的金融時序列預測研究[D];北京化工大學;2010年

8 史書真;股價時間序列的分析與預測研究[D];大連理工大學;2013年

  本文關鍵詞：基于神經(jīng)網(wǎng)絡的股票預測分析和研究，由筆耕文化傳播整理發(fā)布。

本文編號：255033