股票擇時對于金融市場投資者來說非常的重要,是成功的關鍵,是各專家學者的重點研究對象。對于一只好的股票,如果沒有準確的把握擇時時機,也會面臨著投資風險。股票擇時是非常復雜的,因為雖然價格走勢并不是完全隨機的,但是它會受多種因素影響,因此常常無法準確判斷。傳統(tǒng)的投資方法只能從一些基本面信息以及KDL、均線等簡單的技術指標進行分析,準確率相對較低。因此在西方比較流行的投資方法是量化投資。量化投資是將金融投資和數學模型相結合,對大數據進行信息挖掘,然后利用計算機進行自動化交易的投資方法。它使得交易更加的系統(tǒng)、準確、高效,更具有客觀性,可以提高投資決策的效率和準確性。其中神經網絡模型具有較強的非線性逼近功能,對于處理非線性的、復雜的股票市場具有很大的優(yōu)越性。因此本文首先闡述了神經網絡模型的相關理論,然后建立了神經網絡擇時的實證分析模型,具體內容如下。文章將上證綜合指數作為研究的對象,選取了其16個常用的股票指標的日數據,時間區(qū)間為2015年1月5日至2018年9月7日,共900組數據。通過對原始數據建立BP神經網絡模型,預測上證綜合指數日收盤價走勢。為了數據使用的簡便性和模型分析更加的準確,首先... 

【文章來源】：沈陽工業(yè)大學遼寧省

【文章頁數】：57 頁

【學位級別】：碩士

【部分圖文】：

人工神經網絡模型結構圖

圖 2.2 BP 神經網絡模型原理Fig. 2.2 Principle of BPANNs model.2 的正向數據傳輸中，輸入變量從輸入層進入神經元，通過權算、激活函數的轉換后，將變量儲存在隱藏層中；隱藏層的神

圖 4.1 模型均方誤差Fig. 4.1 Mean square error of model圖4.1 是模型的均方誤差曲線圖，由圖可知，模型的均方誤差值為 0.0000943，數值比較小，說明模型的準確度較高。圖中的三條曲線分別代表訓練集、測試集和驗證集的均方誤差曲線，三條曲線都是呈下降趨勢且逐漸趨于平穩(wěn)，說明模型

【參考文獻】：
期刊論文
[1]基于BP神經網絡的公共建筑用電能耗預測研究[J]. 李嘉玲,蔣艷.  軟件導刊. 2019(07)
[2]基于支持向量機與BP神經網絡的稅收收入預測模型[J]. 劉蘭苓,孫德山,張文政.  江蘇商論. 2019(02)
[3]時間序列ARIMA與BP神經網絡組合模型在CPI預測中的應用[J]. 孟毅.  山東農業(yè)大學學報(自然科學版). 2018(06)
[4]基于ARIMA模型和BP人工神經網絡的產品質量預測[J]. 曹學晨,張順堂.  價值工程. 2018(35)
[5]基于多因子模型的量化選股分析[J]. 徐景昭.  金融理論探索. 2017(03)
[6]主成分分析法分析我國玉米期貨價格影響因素[J]. 王琴英,張燕萍.  發(fā)展改革理論與實踐. 2017(01)
[7]大豆期貨價格預測實證研究[J]. 滕永平,周婷婷.  沈陽工業(yè)大學學報(社會科學版). 2017(04)
[8]馬爾科夫預測法在股票價格預測中的應用[J]. 朱泓嘉.  時代金融. 2015(36)
[9]A trend based investment decision approach using clustering and heuristic algorithm[J]. WU ChungMin,CHOU ShengChun,LIAW HorngTwu.  Science China（Information Sciences）. 2014(09)
[10]基于神經網絡模型的股票預測與研究[J]. 趙長城,耿釵.  經濟研究導刊. 2014(10)

碩士論文
[1]基于PCA-SVM-GARCH模型的股價預測[D]. 景秋玉.首都經濟貿易大學 2018
[2]滬深300股指期貨價格預測研究[D]. 吳迪.沈陽工業(yè)大學 2018
[3]基于主成分分析和BP神經網絡算法的綜合選股實證研究[D]. 蘭強太.暨南大學 2017
[4]量化交易中股票擇時的策略研究[D]. 吳桂雯.天津商業(yè)大學 2017
[5]量化投資趨勢策略分析和研究[D]. 蔣樹國.對外經濟貿易大學 2016
[6]量化分析在我國A股市場中的應用研究[D]. 趙子瑜.安徽財經大學 2015
[7]動態(tài)神經網絡在量化投資預測中的應用[D]. 趙晨.復旦大學 2014
[8]量化投資交易策略研究[D]. 李子睿.天津大學 2013
[9]基于神經網絡的股票預測系統(tǒng)的設計與實現[D]. 歐陽光明.電子科技大學 2011
[10]神經網絡方法在股市預測中的應用研究[D]. 劉莉華.電子科技大學 2005



本文編號：3127667