本文關(guān)鍵詞：基于灰色馬爾可夫鏈理論的股市分析

  更多相關(guān)文章： 馬爾可夫鏈 股價(jià)預(yù)測(cè) 遺傳算法 加權(quán)

【摘要】：為了更準(zhǔn)確預(yù)測(cè)股價(jià),本文結(jié)合灰色系統(tǒng)理論、馬爾可夫鏈理論,建立了灰色馬爾可夫預(yù)測(cè)模型,并將加權(quán)的思想融入其中,進(jìn)一步改進(jìn)了灰色馬爾可夫預(yù)測(cè)模型,并做了實(shí)證分析。實(shí)證分析結(jié)果證明改進(jìn)后的加權(quán)灰色馬爾可夫模型有更好的預(yù)測(cè)效果和預(yù)測(cè)性能。利用該模型做股票價(jià)格預(yù)測(cè)能夠?yàn)橥顿Y者們提供部分的投資參考作用。 本文首先詳細(xì)地介紹了灰色系統(tǒng)和馬爾可夫鏈的基本理論知識(shí),分析了灰色預(yù)測(cè)模型和馬爾可夫預(yù)測(cè)模型的特點(diǎn)和適用范圍：應(yīng)用灰色系統(tǒng)理論建立的灰色系統(tǒng)預(yù)測(cè)模型所需信息少,便于計(jì)算,預(yù)測(cè)精度高。但主要是對(duì)小數(shù)據(jù)建模有較好的準(zhǔn)確性,數(shù)據(jù)序列的預(yù)測(cè)精度會(huì)隨著隨機(jī)波動(dòng)性的增大而下降。而馬爾可夫鏈理論的研究對(duì)象是隨機(jī)變化的動(dòng)態(tài)系統(tǒng),更加適用于預(yù)測(cè)那些隨機(jī)波動(dòng)比較大的隨機(jī)過(guò)程,并且馬爾可夫預(yù)測(cè)模型更加適用于大樣本數(shù)據(jù)的預(yù)測(cè)。但其缺點(diǎn)是該模型不僅要求預(yù)測(cè)對(duì)象具有馬氏性,而且要求預(yù)測(cè)數(shù)據(jù)序列要服從一定的典型分布。然而,對(duì)于具有很少信息的系統(tǒng)來(lái)說(shuō),是難以確定數(shù)據(jù)預(yù)測(cè)序列是服從什么分布的。所以,本文將灰色預(yù)測(cè)模型和馬爾可夫預(yù)測(cè)模型合理的結(jié)合起來(lái),讓雙方的優(yōu)勢(shì)互補(bǔ),應(yīng)用灰色預(yù)測(cè)模型來(lái)反映預(yù)測(cè)數(shù)據(jù)序列的總的發(fā)展趨勢(shì),然后再在對(duì)數(shù)據(jù)進(jìn)行趨勢(shì)化處理的基礎(chǔ)上應(yīng)用馬爾可夫預(yù)測(cè)模型,形成一個(gè)灰色馬爾可夫預(yù)測(cè)模型。 其次,文章改進(jìn)了灰色馬爾可夫預(yù)測(cè)模型,建立了加權(quán)灰色馬爾可夫預(yù)測(cè)模型。本文中提出的灰色加權(quán)馬爾可夫預(yù)測(cè)模型的加權(quán)方法與以往不同,提出了一種新的基于遺傳算法的加權(quán)方法。文章最后一部分是實(shí)證分析部分,作者運(yùn)用改進(jìn)前的灰色馬爾可夫預(yù)測(cè)模型來(lái)預(yù)測(cè)股票價(jià)格,而且運(yùn)用改進(jìn)后的加權(quán)灰色馬爾可夫預(yù)測(cè)模型預(yù)測(cè)股票價(jià)格,將兩種模型下的預(yù)測(cè)結(jié)果和預(yù)測(cè)性能作比較,得出改進(jìn)后的加權(quán)灰色馬爾可夫模型有更好的預(yù)測(cè)效果和預(yù)測(cè)性能。利用該模型做股票價(jià)格預(yù)測(cè)能夠?yàn)橥顿Y者們提供部分的投資參考作用。
【關(guān)鍵詞】：馬爾可夫鏈 股價(jià)預(yù)測(cè) 遺傳算法 加權(quán)
【學(xué)位授予單位】：北方工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：O211.62;F830.91
【目錄】：

• 摘要3-4
• ABSTRACT4-6
• 目錄6-8
• 1 緒論8-13
• 1.1 研究背景8-9
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀9-11
• 1.2.1 股價(jià)預(yù)測(cè)的研究現(xiàn)狀9
• 1.2.2 灰色馬爾可夫預(yù)測(cè)模型的研究現(xiàn)狀9-11
• 1.3 研究?jī)?nèi)容及意義11-12
• 1.4 小結(jié)12-13
• 2 灰色系統(tǒng)理論概述13-19
• 2.1 灰色系統(tǒng)的基本原理13-14
• 2.2 灰色系統(tǒng)的基本概念14
• 2.3 灰色預(yù)測(cè)模型14-18
• 2.3.1 GM(1,1)模型15-16
• 2.3.2 GM(1,1)模型的精度驗(yàn)證16-18
• 2.4 小結(jié)18-19
• 3 馬爾可夫鏈的理論基礎(chǔ)19-27
• 3.1 馬爾可夫鏈的概念及轉(zhuǎn)移概率19-22
• 3.2 馬爾可夫鏈的狀態(tài)分類22-24
• 3.3 馬爾可夫鏈的狀態(tài)分解24-25
• 3.4 馬爾可夫鏈的平穩(wěn)分布25-26
• 3.5 小結(jié)26-27
• 4 灰色馬爾可夫預(yù)測(cè)模型27-31
• 4.1 建立GM(1,1)模型27-28
• 4.2 系統(tǒng)狀態(tài)劃分28
• 4.3 隨機(jī)變量序列的馬氏性檢驗(yàn)28-29
• 4.4 計(jì)算初始概率29
• 4.5 計(jì)算狀態(tài)轉(zhuǎn)移概率矩陣29-30
• 4.6 利用狀態(tài)轉(zhuǎn)移概率矩陣進(jìn)行預(yù)測(cè)30
• 4.7 小結(jié)30-31
• 5 灰色加權(quán)馬爾可夫預(yù)測(cè)模型31-35
• 5.1 遺傳算法31-33
• 5.2 加權(quán)馬爾可夫預(yù)測(cè)的權(quán)重遺傳優(yōu)化33-34
• 5.3 小結(jié)34-35
• 6 灰色加權(quán)馬爾可夫預(yù)測(cè)模型在股價(jià)預(yù)測(cè)中的應(yīng)用35-49
• 6.1 用GM(1,1)模型預(yù)測(cè)股票價(jià)格大致走勢(shì)35-37
• 6.1.1 數(shù)據(jù)預(yù)處理35
• 6.1.2 用GM(1,1)模型模擬預(yù)測(cè)值35-36
• 6.1.3 GM(1,1)模型預(yù)測(cè)結(jié)果的檢驗(yàn)36-37
• 6.2 系統(tǒng)狀態(tài)劃分37-38
• 6.3 隨機(jī)變量序列的馬氏性檢驗(yàn)38-39
• 6.4 狀態(tài)轉(zhuǎn)移概率矩陣的計(jì)算39-46
• 6.4.1 計(jì)算不加權(quán)灰色馬爾可夫鏈的狀態(tài)轉(zhuǎn)移概率矩陣39-40
• 6.4.2 計(jì)算加權(quán)灰色馬爾可夫鏈的狀態(tài)轉(zhuǎn)移概率矩陣40-46
• 6.5 根據(jù)狀態(tài)轉(zhuǎn)移概率矩陣進(jìn)行預(yù)測(cè)46-48
• 6.6 小結(jié)48-49
• 結(jié)論49-50
• 參考文獻(xiàn)50-54
• 附錄54-65
• 申請(qǐng)學(xué)位期間的研究成果及發(fā)表的學(xué)術(shù)論文65-66
• 致謝66

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前6條

1 劉亞非;陳燕武;;試析黃金市場(chǎng)的灰色——馬爾可夫預(yù)測(cè)[J];企業(yè)導(dǎo)報(bào);2011年20期

2 儲(chǔ)小俊;劉思峰;;基于新陳代謝GM-Markov模型的股價(jià)預(yù)測(cè)[J];山東財(cái)政學(xué)院學(xué)報(bào);2007年03期

3 夏樂(lè)天;彭志行;沈永梅;;加權(quán)馬爾可夫鏈在農(nóng)作物年景預(yù)測(cè)中的應(yīng)用[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2005年12期

4 潘海澤;黃遠(yuǎn)春;汪磊;劉仍奎;胥耀方;;基于灰色GM(1,1)和灰色-馬爾可夫模型的軌道幾何不平順預(yù)測(cè)及應(yīng)用研究[J];鐵道標(biāo)準(zhǔn)設(shè)計(jì);2010年10期

5 陳有孝,林曉言;灰色——馬爾可夫鏈改進(jìn)的預(yù)測(cè)方法[J];統(tǒng)計(jì)與決策;2005年16期

6 黃敏珍;馮永冰;;基于灰色-馬爾可夫鏈的區(qū)域物流需求預(yù)測(cè)[J];統(tǒng)計(jì)與決策;2009年16期

，

本文編號(hào)：681974