本文關鍵詞：股票價格預測的時間序列組合模型方法，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著國民經(jīng)濟的迅猛發(fā)展，股票市場已成為我國市場經(jīng)濟的重要組成部分，從中獲取利潤是所有投資者前來投資最原始、最直接的目的。要使投資盡可能地獲利，需要對投資行為進行合理的決策，這就要求我們在這之前對股票歷史數(shù)據(jù)進行充分、有效的分析，進而對價格有合理的預測。由于股票市場是一個復雜的非線性系統(tǒng)，其數(shù)據(jù)量龐大、變化平凡，建立一個計算速度適中和精確度較高的自動股票預測模型，對于股票市場監(jiān)管者的監(jiān)管和股票投資者的投資有著重要的參考和指導價值。 股票價格序列是一種特殊的時間序列，因而我們可以采用一些改進的時間序列的方法對其進行預測。常用的時間序列方法有三大類：統(tǒng)計模型方法、機器學習方法和組合方法。單純的統(tǒng)計模型方法在當下復雜的應用背景下，表現(xiàn)往往不盡人意，目前比較流行的為機器學習方法和組合方法。因為組合方法是多種方法的有機整合，這跟股票價格的多成分組成特點十分吻合，，本文認為組合方法相比單一方法能夠更好地對股票價格進行有效地預測。 在普遍為人們接受的股票價格三組成劃分的基礎上，本文建立了組合優(yōu)化選擇的組合預測方法框架，允許將各部分的不同方法得到的結果的組合按一定的規(guī)則進行取舍得到最終的預測結果，進而獲得了比單個預測方法更為可靠的結果。在此框架的基礎上，本文還對其中一部分的組成成因進行了探索和研究，并據(jù)此建立了相應的數(shù)學模型，進一步改進了最終決定系統(tǒng)精度強波動部分預測模塊的預測精度。還引入了一種隨機預測結果修正方法，希望以此進一步提高模型的可靠性。 本文選取滬市A股（共計946組）和深市A股（共計1135組）本文算法適用的個股和指數(shù)日收盤價進行了一系列的分析對比實驗。首先對不同濾波器進行趨勢獲取的效果進行了對比分析；接著在類隨機部分預測部分，對本文提出的新模型與傳統(tǒng)AR模型進行了分析和比較；再還進行了隨機預測結果修正方法的效果驗證；最后進行了結果整合的總成實驗，同時還驗證了本文采用的組合結果選取準則的有效性。通過這一系列的實驗，數(shù)據(jù)有力地驗證了本文的假設和方法的合理性和有效性，同時也暴露出具體方法的一些問題。
【關鍵詞】：股票價格預測 時間序列 組合 劃分 框架
【學位授予單位】：湘潭大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：F832.51;F224;TP301.6
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-18
• 1.1 研究背景9-10
• 1.2 研究意義10
• 1.3 研究現(xiàn)狀10-15
• 1.3.1 統(tǒng)計學方法11-12
• 1.3.2 機器學習方法12-13
• 1.3.3 組合方法13-15
• 1.4 研究內容和論文結構15-18
• 1.4.1 研究內容16-17
• 1.4.2 章節(jié)安排17-18
• 第2章 基礎知識18-32
• 2.1 股票價格預測及其預測模型評價18-20
• 2.1.1 股票價格序列預測18-19
• 2.1.2 預測模型評價19-20
• 2.2 小波分析與多分辨分析20-22
• 2.3 擬周期檢測與 Fourier 變換22-25
• 2.4 時間序列常用模型25-27
• 2.4.1 自回歸模型（AR）26
• 2.4.2 滑動平均模型（MA）26
• 2.4.3 自回歸滑動平均模型（ARMA）26-27
• 2.4.4 自回歸異方差模型（ARCH）27
• 2.5 卡爾曼濾波27-29
• 2.6 組合預測方法29-32
• 第3章 股票價格預測的時間序列組合模型方法32-42
• 3.1 組合預測方法框架33-36
• 3.2 基于股價類隨機成分成因的預測模型及其改進36-39
• 3.2.1 一類新的股票價格類隨機部分預測方法——類趨勢變化回歸模型（Trend Movement Regressive Model: TMR）37-38
• 3.2.2 基于類卡爾曼濾波的類隨機預測方法改進算法38-39
• 3.3 組合結果選取的最小均方離差率準則39-42
• 第4章 實驗結果與分析42-67
• 4.1 實驗條件42-43
• 4.2 實驗結果與分析43-65
• 4.2.1 不同濾波器獲取趨勢對預測結果的影響44-49
• 4.2.2 類 TMR 模型以及類隨機結果修正算法的預測效果分析49-61
• 4.2.2.1 類 TMR 模型的預測效果對比與分析49-54
• 4.2.2.2 基于類卡爾曼濾波的類隨機預測修正算法54-61
• 4.2.3 總成實驗與組合結果選取最小均方離差率準則的有效性分析61-65
• 4.3 小結65-67
• 總結與展望67-69
• 一、論文工作總結與創(chuàng)新67
• 二、未來展望67-69
• 參考文獻69-73
• 致謝73-74
• 附錄 A 攻讀碩士學位期間參加的科研項目74

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 陳傳超;郭志明;;股票市場供求關系與股價及其變化率的微分方程[J];佛山科學技術學院學報(自然科學版);2008年01期

2 姚洪興,盛昭瀚;股市預測中的小波神經(jīng)網(wǎng)絡方法的研究[J];管理工程學報;2002年02期

3 楊樂;張瑞;;基于在線序列ELM算法的高效股票預測[J];純粹數(shù)學與應用數(shù)學;2012年06期

4 朱揚勇;戴東波;熊峗;;序列數(shù)據(jù)相似性查詢技術研究綜述[J];計算機研究與發(fā)展;2010年02期

5 邱望仁;劉曉東;;基于證據(jù)理論的模糊時間序列預測模型[J];控制與決策;2012年01期

6 馮建;Starzyk Janusz;邱菀華;;一種基于信息熵的金融數(shù)據(jù)神經(jīng)網(wǎng)絡分類方法[J];控制與決策;2012年02期

7 李曉光;宋寶燕;于戈;王大玲;;基于小波的時間序列流偽周期檢測方法[J];軟件學報;2010年09期

8 謝衷潔,王弛;用時間序列方法預測股票價格初探[J];數(shù)理統(tǒng)計與管理;2004年05期

9 楊一文,劉貴忠;基于神經(jīng)網(wǎng)絡的多變量時間序列預測及其在股市中的應用[J];信息與控制;2001年05期

  本文關鍵詞：股票價格預測的時間序列組合模型方法，由筆耕文化傳播整理發(fā)布。

本文編號：383338