【摘要】：反映股票市場總體走勢的各類股票指數(shù)一直以來是經(jīng)濟波動的晴雨表,是政府對股市進(jìn)行調(diào)控和監(jiān)督的重要依據(jù),同時也是投資者進(jìn)行投資不可或缺的重要投資指南。因此,如何對股指進(jìn)行準(zhǔn)確預(yù)測,使得政府能夠?qū)墒羞M(jìn)行有效監(jiān)管與調(diào)控、投資人能夠有效避免投資風(fēng)險,就成為金融領(lǐng)域理論界長期以來的研究焦點。但是,由于股指的波動受宏觀、微觀、內(nèi)部、外部等諸多因素的影響,因此,對股指的預(yù)測存在較大的難度。本文在前人研究的基礎(chǔ)上,對股指預(yù)測理論方法及模型構(gòu)建做了如下幾個方面的研究： (1)股指波動影響因素及股指預(yù)測模型特點研究。由于影響股指波動的因素眾多,本文從宏觀經(jīng)濟、技術(shù)指標(biāo)、心理因素三個層面對影響股指波動的因素進(jìn)行了系統(tǒng)的歸納與總結(jié)；結(jié)合股指波動特點和影響因素,分析并歸納出股指預(yù)測模型應(yīng)該具備的功能和要求； (2)股指波動統(tǒng)計類預(yù)測模型與創(chuàng)新類預(yù)測模型比較研究。本文首先在理論上將兩種預(yù)測模型進(jìn)行了比較,對兩種預(yù)測方法在建模的理論基礎(chǔ)、數(shù)據(jù)要求與處理、模型穩(wěn)定性與適用性、預(yù)測精度與長度等方面進(jìn)行了比較與探討。其次,將兩類模型進(jìn)行了實證方面的比較,進(jìn)行了單一指標(biāo)輸入和多指標(biāo)輸入的大樣本、小樣本及組合模型的比較； (3)運用生物進(jìn)化算法對神經(jīng)網(wǎng)絡(luò)股指預(yù)測模型進(jìn)行優(yōu)化。本文運用被GA, PSO, AFSA三種生物進(jìn)化算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)對上證綜指進(jìn)行預(yù)測,并將三種優(yōu)化算法得到的預(yù)測結(jié)果進(jìn)行了預(yù)測精度的比較； (4)建立基于數(shù)據(jù)挖掘的RBF+AFSA股指預(yù)測模型和GA-BP股指預(yù)測模型,運用數(shù)據(jù)挖掘技術(shù),將影響股指波動的數(shù)量性指標(biāo)逐一帶入預(yù)測模型,將表現(xiàn)不好的淘汰,表現(xiàn)較好的再進(jìn)一步進(jìn)行優(yōu)化組合,直到尋找到一個預(yù)測精度最好的最優(yōu)組合為止； (5)建立基于知識挖掘的FPBP股指預(yù)測模型和REPTree+RBF+AFSA股指預(yù)測模型,在數(shù)據(jù)挖掘的基礎(chǔ)上,運用知識挖掘技術(shù),將影響股指波動的文本性因素,包括宏觀經(jīng)濟性因素和心理因素等,進(jìn)行篩選、分級、歸類等預(yù)處理,然后帶入相應(yīng)的預(yù)測模型,使預(yù)測結(jié)果能夠更為接近真實值。 論文綜合應(yīng)用股指預(yù)測理論、經(jīng)濟學(xué)理論、神經(jīng)網(wǎng)絡(luò)理論、群智算法理論、數(shù)據(jù)挖掘理論、知識挖掘理論以及現(xiàn)代數(shù)學(xué)方法與計算科學(xué)技術(shù),對股指預(yù)測理論及方法進(jìn)行了全面系統(tǒng)的研究。具體研究方法包括：(1)理論與實證相結(jié)合的研究方法；(2)定量與定性相結(jié)合的研究方法；(3)歸納與比較相結(jié)合的研究方法等。 本文的主要創(chuàng)新點包括：(1)將統(tǒng)計類的股指預(yù)測模型與創(chuàng)新類的股指預(yù)測模型在理論與實證兩方面進(jìn)行了比較,結(jié)果顯示,創(chuàng)新類預(yù)測模型在股指預(yù)測方面優(yōu)于統(tǒng)計類預(yù)測模型。(2)建立了一種新的對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行修正的模型--魚群修正的徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測模型(RBF+AFSA),在數(shù)據(jù)挖掘的基礎(chǔ)上,運用該模型對上證綜指進(jìn)行了預(yù)測,并將該種模型的預(yù)測結(jié)果與其它預(yù)測模型進(jìn)行了比較。(3)運用知識挖掘理論,建立了一個FP_Tree+BP混合預(yù)測模型——FPBP預(yù)測模型,選用FP Tree決策樹技術(shù),對影響股指波動的文本因素進(jìn)行了篩選,尋找出影響股指波動的主要文本因素：經(jīng)濟增長、CPI、貨幣政策、投資者心理和突發(fā)事件。之后將文本因素做適當(dāng)數(shù)量化處理后輸入BP模型。實證結(jié)果顯示,加入文本因素后的FPBP模型的預(yù)測效果好于僅輸入數(shù)量化指標(biāo)的BP模型。(4)建立了一個基于知識挖掘的REPTree+RBF+AFSA模型。在RBF+AFSA模型數(shù)據(jù)挖掘的基礎(chǔ)之上,將數(shù)量化指標(biāo)的訓(xùn)練誤差和文本指標(biāo)都帶入REPTree分類器做決策樹IF-Then規(guī)則分析,得到一個預(yù)測調(diào)整率。根據(jù)預(yù)測調(diào)整率調(diào)整數(shù)據(jù)挖掘得到的預(yù)測結(jié)果。實證結(jié)果表明,引入了文本因素之后的REPTree+RBF+AFSA模型預(yù)測精度得到了一定程度的提高。 論文研究結(jié)果表明：創(chuàng)新型智能化預(yù)測模型在股指預(yù)測方面優(yōu)于傳統(tǒng)的統(tǒng)計類預(yù)測模型；通過建立基于數(shù)據(jù)挖掘的股指預(yù)測模型,對影響股指的數(shù)量化因素進(jìn)行數(shù)據(jù)挖掘,表明無論在何種預(yù)測模型中,經(jīng)過數(shù)據(jù)挖掘的多因素組合指標(biāo)的預(yù)測效果都好于單一指標(biāo)的預(yù)測效果；通過建立基于知識挖掘的股指預(yù)測模型,對影響股指波動的文本因素進(jìn)行篩選和分類,并將其帶入相關(guān)預(yù)測模型,結(jié)果顯示,加入文本因素后的預(yù)測模型其預(yù)測精度會有一定程度的提高。
【學(xué)位授予單位】：華北電力大學(xué)（北京）
【學(xué)位級別】：博士
【學(xué)位授予年份】：2011
【分類號】：F830.91;F224
【圖文】：

部或部分輸入，并根據(jù)激活函數(shù)的形式產(chǎn)生相應(yīng)的輸出。多層的神經(jīng)網(wǎng)絡(luò)是非常強的，一般來講，一個三層的神經(jīng)網(wǎng)絡(luò)就可以用來模擬任何函數(shù)(必須是連續(xù)有界的)。圖2一1是單隱層BP網(wǎng)絡(luò)。輸出層連接權(quán)簿含層連接權(quán)輸人層圖2一IBP神經(jīng)網(wǎng)絡(luò)Fig.2一 1.StructureofBPBP算法是一種以梯度法為基礎(chǔ)的搜索算法。在算法的實現(xiàn)上，充分體現(xiàn)了神經(jīng)網(wǎng)絡(luò)并行處理的特點。BP網(wǎng)絡(luò)的學(xué)習(xí)算法可描述如下:(l)初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)，即將隱含層和輸出層各節(jié)點的連接權(quán)值、神經(jīng)元閥值賦予(一1，l)區(qū)間的隨機數(shù)，將各學(xué)習(xí)參數(shù)設(shè)定為合適的值;(2)提供訓(xùn)練模式，即從訓(xùn)練模式集合中選出一個訓(xùn)練模式，將其輸入模式和期望輸出送入網(wǎng)絡(luò);

一般是小樣本量預(yù)測，因此，適用于對預(yù)測對象進(jìn)行短期預(yù)測。2實證比較為了進(jìn)一步對統(tǒng)計類預(yù)測模型和智能類預(yù)測模型進(jìn)行比較，在本部分，將用的方法對GARCH模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果進(jìn)行比較分析。在實證分，選擇單一指標(biāo)預(yù)測和多指標(biāo)預(yù)測兩種方式。在每種方式中，又進(jìn)一步選擇小、大樣本和組合模型三種情形進(jìn)行預(yù)測分析。通過對預(yù)測結(jié)果進(jìn)行比較和分析測兩種模型在股指預(yù)測上的優(yōu)劣。2.1單一指標(biāo)預(yù)測.1.11】、樣本預(yù)測比較在這一部分，選取2009年10月23號至2009年12月3號總計30個交易日證綜指為輸入數(shù)據(jù)，建立GARCH模型和BP模型;對2009年12月4號至212月17號總計10個交易日的上證綜指進(jìn)行預(yù)測。結(jié)果如下:

【引證文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 梁子進(jìn);基于數(shù)據(jù)挖掘的指數(shù)跟蹤問題研究[D];浙江大學(xué);2013年

本文編號：2741979