任浩然[1]2017年在《基于自适应遗传算法优化的BP神经网络股价预测模型》文中认为随着国民经济的发展,投资理财已成为常态,股票投资顺势成为许多人的选择,其中股票价格预测成为投资者最关心的问题.股票市场中各种因素错综复杂,主次关系变化不定,股票价格不仅受买卖双方的影响,也与国内外政策,投资者的主观意识等因素有直接关系.所以股票价格具有随机性较强的特点,因此研究一种正确率较高的股票价格预测模型具有十分重要的现实意义.本文采用BP神经网络与遗传算法结合的方法对股票价格预测进行研究.针对BP神经网络初始权值随机,遗传算法易陷入局部最优解等问题,给出了一种基于自适应遗传算法优化的BP神经网络股价预测模型,通过自适应遗传算法对BP神经网络的初始权值进行优化,使用BP神经网络对股票价格进行预测分析.由于是股票价格波动千差万别,采用单一的BP神经网络在股票价格波动较大的情况下无法获得较高的预测精度,因此本文还给出了一种基于自适应遗传算法优化的组合神经网络股价预测模型,来提高模型收敛速度与预测精度.最后通过MATLAB编程实现了本文所给出的股价预测模型,并使用真实的股票数据进行股价预测,通过仿真分析可知,本文所给出的预测模型具有较高的预测精度。
张贵生[2]2016年在《数据驱动的金融时间序列预测模型研究》文中进行了进一步梳理1997年诺贝尔经济学奖获得者美国经济学家Robert Carhart Merton提出,现代金融理论的核心问题就是如何在不确定的环境下对资源进行跨期的最优配置。而按照非线性动力学的观点来看,现代金融理论中金融系统的不确定性恰恰源于其自身就是一个受多种因素综合影响的具有开放性质的复杂巨系统,相应地,作为系统观测值的金融时序数据则从形式上表现了该系统的复杂运动规律。相关金融时序可预测性的文献研究表明,无论是线性范式下的传统统计方法,还是非线性的计算智能方法,以及多种不同类型方法的组合模型都在一定范围内提升和改善了人们对于金融时序数据预测的精确性和稳定性,但大多缺乏对不同类型金融时序数据内部时间相关性知识、价格变化趋势信息以及不同市场间互信息等经验知识的有效融合,制约了其预测性能的进一步提高。基于此,本研究借鉴复杂系统视角建模的思想,针对各种不同类型的金融时序数据,结合智能计算、计算实验金融、数据挖掘以及控制论等相关领域的最新研究成果,“自底向上”地展开金融时序数据经验知识融合下的机器学习预测建模创新研究,以探索金融系统的复杂演化规律。主要研究成果和创新概括如下：1、针对单变量金融时序数据变化趋势信息和市场隔夜跳空开盘信息的重要性,在借助跟踪微分器提取数据近似微分的基础上,分别构造了基于微分信息和基于梯度信息的ARMA-GARCH单预测模型,旨在增强模型在高噪声扰动环境下对于时序数据变化趋势的判别能力；从分阶段混合模型构造的角度,提出了一种新的基于ARIMA和泰勒展开的预测模型,改进传统方法对于时序数据内部经验知识学习不够充分的问题。2、针对多变量金融时序数据所具有的高维复杂性,考虑到金融市场间日益显着的联动及传染效应,提出了一种基于近邻互信息的SVM-GARCH模型,旨在融合市场联动行为信息的基础上,提高传统单模型对于时序数据非线性成分的处理能力；从构造混合模型提高预测稳定性的角度,借助时间测地线距离的概念构造新的混合预测模型,改善模型对于时序数据内部时间相关性知识的学习和泛化能力,提高预测结果的精确性和有效性。数据驱动的“自底向上”的建模方法就是要通过对复杂系统的观测数据进行分析,来展开对金融系统的反向研究,有利于克服规范分析假设过于严格、实证分析难以进行灵敏度测试的弱点,是金融理论与实践的高度统一。本研究中无论是相关单变量金融时序数据的分析,还是针对于高维金融时序面板数据的研究,数据驱动的模型创新都体现了复杂系统视角建模思想在金融领域的应用,旨在从不同的角度充分挖掘并发现复杂金融现象背后的客观规律,降低金融系统的不确定性,提高金融市场效率,并为相关金融理论创新研究提供新的动力和方向。
罗必辉[3]2016年在《基于改进支持向量回归机的股价预测研究》文中提出如今人们对股票交易的兴趣日益见长,希望通过对股市各种信息的综合分析来帮助指导股票交易,以获得高额利润。然而股票价格受到多方面因素的影响,具有非线性,时变性和高度不稳定性等特点,导致股票价格非常难以预测。传统的时间序列预测法不能提取股票数据的非线性特征,神经网络算法又容易陷入局部极小,易造成过拟合,且股票数据含有大量噪声和冗余信息,导致预测精度不高。针对以上问题,本文引入流形学习中的线性局部切空间排列算法,应用改进的支持向量回归机来预测股票价格,主要研究工作是:(1)总结分析股票价格预测领域的国内外研究现状,指出现有方法存在的各种不足和缺陷。(2)归纳股票价格预测的相关知识和基本原理,并简要介绍了股票价格预测模型用到的支持向量回归机的算法理论。(3)在股票价格预测领域第一次引入流形学习中的线性局部切空间排列算法,将股票数据看成一个非线性流形,提取其中隐藏的模式,并同时降低数据噪声,去除冗余信息,最终使得提取到的特征更加具有区分度和代表性,从而提高预测精度。(4)结合线性局部切空间排列算法,提出了一种新的支持向量回归机的股价预测优化模型。该模型首先利用线性局部切空间排列算法对股票原始数据进行特征提取,然后采用具有全局最优解的支持向量回归机对提取到的特征和股票价格之间的非线性关系建模,并利用遗传算法优化支持向量回归机的参数,最终提高股票价格的预测精度。(5)通过大量的实验对本文提出模型的适应性和推广能力进行了验证。实验选取了不同国家、不同种类和不同时间段的四只股票:上证指数、标准普尔500指数、IBM公司发行股票和Microsoft公司发行股票作为本文的实验支撑数据,并与4种传统特征提取算法和3种经典股票价格预测模型进行了对比。研究表明本文提出的融合线性局部切空间排列和遗传算法优化的支持向量回归机股价预测模型不仅预测精度高,而且具有强大的泛化能力和良好的推广性,对于指导股票交易具有很大的实用价值。
孙瑞奇[4]2015年在《基于LSTM神经网络的美股股指价格趋势预测模型的研究》文中指出自从股票市场诞生以来,人们就一直不断使用各种数据模型、机器学习以及数据挖掘等手段来预测股票价格的未来走势从而获取巨额收益。其中神经网络机器学习算法被广泛使用,这是由于神经网络自身的高度自学习性,稳定性以及抽象模拟能力,相比于统计学以及计量经济学中的数学模型,神经网络用于预测金融时间序列更具优势。本文在深入分析股票价格短期预测面临的问题和比较多种股票价格预测方法的基础上,探讨BP神经网络、RNN神经网络和LSTM神经网络对股票价格进行短期预测的可行性并作出相应对比,研究模型准确性。在此基础上对LSTM模型进行了算法改进以及模型结构改进。根据对比验证,以及理论研究,LSTM神经网络模型能够通过对过往股票市场数据的学习,找出时间序列之间的影响和关系,并能利用选择性记忆的高级机器学习功能,深入挖掘出股票价格时间序列中的固有规律,从而进行短期时间序列预测。文中主要研究以下几点:针对以往的BP神经网络股票预测模型进行深度剖析,并在理论上解释该模型预测时间序列的不合理性,并作出实证。提出引入时序概念的RNN神经网络,并与BP神经网络进行对比研究,然后在RNN神经网络的基础上进行模型修正,引入LSTM神经网络的概念,并实证该模型对于股票预测的可行性以及准确性。最后,对LSTM模型理论进行讨论分析,并改进模型,同时实证分析。针对股票价格数据影响因素多的问题,选用收盘价、开盘价、最高价、最低价以及成交量这几个最关键的影响价格因素,作为神经网络每一层神经元的自变量。同时,节选中美股市代表性的上证综指以及标准普尔500指数和道琼斯工业指数来进行研究。美股指数分别选取了日成交量最大和日成交量最小两个指数来进行研究对比,测试模型准确性。同时也根据中美股市不同特点来验证模型的实用性及准确性。
陈芳芳[5]2016年在《基于支持向量机的股票价格预测研究》文中提出中国的股票市场的变化对于整个国家的市场经济动态而言是密不可分的,在推动我国国民经济的增长上产生了重要的影响。但是我国的股票市场自身存在着一些问题,相对于资本主义市场,我国的股票市场仅仅有30年左右的发展,市场结构还不成熟、制度不健全、监管不适应,以及短期投机炒作过多等,导致股票市场的积极效应难以正常发挥。面对这些问题导致了一些散户投资者和企业投资商在投资上的失误,因此对于股票的预测应用研究,指导广大的投资者合理投资来说有很重要的意义而且迫在眉睫。支持向量机是机器学习的一种新技术新方法,VC维理论为其奠定了坚实的理论基础,结构风险最小化原则也为其风险提供了保障。因此支持向量机(SVM)在函数拟合,高维模式识别,时间序列的预测等领域呈现了所特有的优势。本文的研究内容主要有以下几个方面:(1)、在查阅和参考了大量的国内外文献的前提下,对目前的一些股票的预测方法做了全面的阐述,并且重点说明了支持向量机(SVM)等相关的基础和理论知识。(2)、数据的选取与预处理。股票市场中存在着大量的数据,股票种类繁多,涉及到不同的板块和不同行业类别,本文中选取了40只股票,平均分布在20个行业中,对这些股票进行跟踪并下载实验中所需的各种指标数据,之后对这些数据进行了归一化处理。在论文中我们对这些行业股票进行了实验,并对挑选几只典型的股票,对其实验所得的结果做了比较和论述。(3)、对两种典型的核函数进行了详细的应用研究,实证表明两种核函数中径向基核函数预测效果明显较好。其次针对径向基核函数的参数优化和选择进行了应用对比,通过实验发现遗传算法优化参数的效果会更好一些。(4)、在基于径向基核函数回归支持向量机的基础上,通过实验对比不同技术指标:6种基础特征指标,8种特征指标(包含了挑选的指标MACD,RSI,OBV,CCI),对比研究发现,8种特征属性的预测精度更高,误差较低。接着本文为股票的预测做了一个新的尝试,通过结合分形理论在股票预测上的应用,利用幂指分布求解出股票的分形维数,再将其分形维数作为新的样本特征向量进行股票的预测。将两种不同技术指标用训练出来的模型进行实验并进行比较,从得到的结果中会发现分形维数的引入使得预测结果有一定的提高。(5)、最后利用支持向量机(SVM)和神经网络分别对样本所输入的不同的技术指标体系进行对比实验,会发现在不同的技术指标体系下SVM的预测结果都要比神经网络好。最后对全文的研究工作做了一个全面的总结,以及对进一步的研究方向做了引导。
晁瑞昌[6]2012年在《互联网公司的股票价格预测研究》文中认为近年来,经济的迅速发展以及股票市场的逐渐完善,股票已经成为人们投资的一种重要方式,而互联网公司经历了网络经济泡沫后,发展愈加成熟,并以其高效、低成本的特点,对传统企业造成了极大的冲击。互联网公司具有高增长性和高风险性,对互联网公司的价值以及股票的分析,得到了风投甚至普通投资者更多的关注,如何有效的评估互联网公司价值,以及对股票的价格进行预测,对于投资者来说具有理论意义和应用价值。关于互联网公司的价值,本文主要从政治、经济以及国家政策等角度,探讨互联网行业的发展状况与前景；另外,分析了互联网公司的价值来源：直接经济、注意力经济和规模经济等,从公司的角度出发,提出了公司盈利情况、公司知名度、市场专注度和创新能力、市场份额和推广能力、管理团队以及融资能力等几项指标,用于对互联网公司的价值进行评估。在具体的公司价值评估方法上,主要有市盈率模型、经济附加值模型、贴现现金流模型等评估方法,因为不作为本文研究重点,故在此不再赘述。在公司的股票预测方法上,本文在通过比较了几种传统的股票预测方法之后,提出了神经网络预测法,并针对标准的BP算法中,在分析股价走势时存在的问题,包括：学习效率低,易陷入局部极小值,预测精度低等。对神经元的激活函数进行了调整,对样本数据进行了归一化处理,从而提高了BP网络的训练效率和结果的准确性。由于本文中探讨的是互联网公司,所以首先对互联网公司的定义、分类以及特点,进行了介绍。并介绍了股票以及人工神经网络的基础知识。然后从互联网公司以及公司特点入手,从宏观方面,分析了互联网行业的政治以及经济影响因素,通过对互联网公司价值的来源以及影响价值评估的主要因素进行分析,从而对股票的投资有个前期判断,对互联网公司的股票进行合理评估。通过分析传统的股票预测方法,包括证券投资方法,模型预测法等,指出神经网络预测的特性,以及预测股价走势的可行性。通过设计BP网络的拓扑结构,以及样本数据的选取、分类、归一化处理等操作,建立神经网络的预测模型,然后通过Matlab仿真软件对收集的数据进行仿真预测实验。本文以国内上市的互联网公司(焦点科技)2011年5月-2012年8月的股价为原始数据,调用经过调整建立的BP网络模型,进行学习和训练,通过比较激活函数调整前后的效果,得出经过调整后建立的预测模型,预测的准确性以及效率都有了很大的提高。通过宏观和微观两方面的分析,这样使得投资者在投资该互联网公司时,争取有效的抓住经济热点,为投资者的投资提供理论依据以及数据支持,争取能够使投资收益最大化和风险最小化。股票市场是一个非常复杂的动态的系统,在个人因素、外界的政治经济等因素的影响下,预测的结果与目标结果会有一定的出入。另外个人能力的有限,在神经网络算法的改进等方面还有一定的不足,还需要今后进一步的探讨和研究,结合Matlab这个强大仿真软件,争取能完善出一套适合互联网公司股票预测的神经网络工具箱。
胡艺博[7]2008年在《基于小波—粒子滤波算法的股票价格预测研究》文中指出自从股票交易市场出现以来,对股票价格波动的研究就一直没有间断过,股票价格波动的难以描述、难以分析和难以预测正体现了股票市场的高度复杂性和非凡的魅力所在。目前,有众多的股票价格波动数学模型,针对不同的模型有其相应的处理方法。本文采用非线性物理动力学模型描述股票价格波动,并利用卡尔曼滤波算法和粒子滤波算法预测股票价格。粒子滤波(Particle Filter)技术对于非线性系统和非高斯噪声环境具有高度的适应性,充分考虑到了系统的统计特性,并且滤波算法简单,可以很好的解决多参数估计中存在的非线性和复杂性问题。因而更加适用于股票价格波动这一非线性复杂系统。本文首先详细介绍了粒子滤波技术的基本理论,并通过实例对粒子滤波预测估计性能进行仿真,结果证明了在非线性非高斯背景下粒子滤波的优异性能。鉴于粒子滤波算法中粒子选取的不同和粒子权值方差大小会影响粒子滤波算法的预测估计精度,因而引入了小波阈值去噪方法处理粒子,称之为“小波-粒子滤波算法”。在此基础上,深入研究了粒子滤波及小波-粒子滤波在股票价格预测中的实际应用。仿真结果表明因为小波阈值去噪方法的引入,提高了粒子滤波的预测估计性能。最后就其预测误差及其对投资者决策的影响进行了讨论。
韩莉[8]2016年在《基于LM-BP神经网络股票预测研究》文中进行了进一步梳理股票市场经过数载发展,在市场经济中占据了越来越重要的地位。股票市场的建立和发展,不仅受国家经济的影响,也为国家的经济建设时时刻刻在做着贡献。然而,股票投资市场并不十分稳定和平稳,成交量和价格方面总有着意料外的波动。股票市场是股票投资者进行交易的平台,无形中在投资者和筹资者之间搭建了利润提升的桥梁。在股票市场上,筹资者公开募股,发行股票,为长期的资金来源提供了保障;与此同时,投资者通过购买公开募股的股票,相当于与公司共发展,上市公司的优劣直接会影响投资者的收益。由于投资者们的心理状态以及投资偏好都不尽相同,故也会选择不同的投资组合,也会承担不同的投资风险。然而,这样的投资也不是一直稳赚不赔的,股票市场波动性很大,投机成分强,股票市场缺乏效率,稳定性差,这些都会危及到股票本身的进一步发展。股票市场的效率体现在上市公司能够合理分配资金并将资金的利用率提升到最大,从而争取更多利润的能力。可是,大量的实证证明,股票市场并不是十分有效的。然而,股价的走势也有一定的规律性可言,这体现在这种走势可以通过非线性函数进行描述,那么也就是可以预测的。影响股价的因素多种多样,对股票所起的作用也复杂多变,为了更加准确的进行预测,将人工神经网络引入到了金融预测领域。原则上,对于连续函数,神经网络能在一定的精度范围内实现良好的训练。人工神经网络可以解决黑箱问题,它回避了数据变化的内在原因,更加科学地通过特定的学习样本进行机器训练,建立一种模型来描述输出与输入变量之间的联系。因此,研究基于神经网络的股票预测问题,不仅具有理论意义,也具有重要的现实意义和参考价值。本文对现有的股票预测方法、BP神经网络及其存在的问题、LM-BP神经网络算法、LM-BP神经网络对股价预测等问题进行了系统研究。在研究过程中,取得的成果主要有:(1)对股票市场特点和股票预测方法进行分析,指出了这种方法的优缺点。(2)针对股票价格预测数据量大,应用标准BP神经网络运算速度慢的问题,推导给出了LM-BP神经网络算法,并设计开发了LM-BP神经网络计算程序。(3)应用LM-BP神经网络预测了美国纳斯达克证券交易所挂牌上市的智联招聘股票的开盘价、最高价、最低价、收盘价走势。预测结果表明,预测精度较高,开盘价格平均相对误差为0.88%,最高价平均相对误差为1.25%,最低价平均相对误差为1.26%,收盘价平均相对误差为1.4%。(4)在预测的基础上,计算给出了移动平均线(MA)、乖离率(BIAS)、相对强弱指标(RSI)、随机指标(KDJ)、人气指标(BOV)、威廉指标(W&R),并画出了移动平均线(MA)、乖离率(BIAS)、相对强弱指标(RSI)、随机指标(KDJ)、人气指标(BOV)、威廉指标(W&R)曲线,为投资者决策提供参考。最后,本文对股票市场预测问题进行了展望。
宁苡鹤[9]2018年在《基于相关性的股票价格预测模型研究》文中认为股票市场作为一个涵盖大量信息的复杂系统,反映并影响着一个国家的经济发展状况。股票市场是买卖公司股票及金融衍生品的公开市场,为个人、经纪商和公司等提供公平的投资机会。在世界各地的股票市场中,数以亿计的资本不停地进行交换,国民经济的发展直接受股市的表现状况影响。而股票价格的波动作为资本和流动资金配置的信号,直接影响投资者的股票交易策略。对股票趋势的准确预测可以帮助投资者在证券交易所中及时准确的做出决策,从而获取利益。在股票市场中,重大政治事件、经济政策、行业发展情况、交易者期望等诸多因素都会对其产生一定的作用。研究表明,股票之间是存在相关关系的,特别是在行业板块内,股票的价格波动受到其他股票的影响。以股票价格为代表的金融时间序列数据具有高度非线性、多维度以及时间相关性等特点,是非平稳且非结构化的,这给金融时间序列的分析和预测带来了诸多难题。但人工神经网络(ANN)作为一种高度复杂的非线性系统,在处理非线性复杂系统中有着广泛的自适应能力和学习能力,对于处理股价预测中非线性、非平稳性动态数据表现良好,因此受到了广泛的应用。基于此,本研究提出了一种基于股票相关性的预测模型,将股票间价格的相互影响纳入考虑范围中。以股票间的相关性作为出发点,设计一个结合股票相关性的混合神经网络预测模型(Copula-ANN),考虑模型中涉及的主要参数对模型预测有效性的影响,运用真实的股票价格数据对模型进行训练,得出有效的预测模型。研究选取了纽交所电力能源板块股票数据进行实验,结果表明,本研究提出的Copula-ANN 模型的预测结果准确性优于单一的 ANN 模型或 SVM 模型,该模型具有较高的预测精度,从统计指标和财务指标两方面均验证的模型的有效性。
王卫红, 卓鹏宇[10]2016年在《基于PCA-FOA-SVR的股票价格预测研究》文中研究说明研究股票价格预测问题,针对影响股票价格因素多存在数据冗余,传统方法无法消除数据冗余,准确稳定预测股价非线性变化.为提高预测精度,在传统的支持向量机回归(Support vector regression,SVR)方法的基础上引入主成分分析(Principal component analysis,PCA)和果蝇算法(Fruit fly optimization algorithm,FOA),提出了一种PCA-FOA-SVR的股票价格预测方法.首先利用PCA对影响股票价格的因素进行分析降维,消除冗余信息,然后用果蝇算法优化SVR的参数,利用优化后的SVR对非线性变化的股票价格建模预测.最后利用PCA-FOA-SVR模型对宁沪高速(600377)股票价格数据进行仿真实验.实验结果表明:与传统的BP和SVR相比,PCA-FOASVR模型在股票价格预测中进一步减小了预测误差,有更高的预测精度,是一种有效可行的股票价格预测方法.
参考文献：
[1]. 基于自适应遗传算法优化的BP神经网络股价预测模型[D]. 任浩然. 延安大学. 2017
[2]. 数据驱动的金融时间序列预测模型研究[D]. 张贵生. 山西大学. 2016
[3]. 基于改进支持向量回归机的股价预测研究[D]. 罗必辉. 重庆大学. 2016
[4]. 基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇. 首都经济贸易大学. 2015
[5]. 基于支持向量机的股票价格预测研究[D]. 陈芳芳. 重庆理工大学. 2016
[6]. 互联网公司的股票价格预测研究[D]. 晁瑞昌. 东北财经大学. 2012
[7]. 基于小波—粒子滤波算法的股票价格预测研究[D]. 胡艺博. 吉林大学. 2008
[8]. 基于LM-BP神经网络股票预测研究[D]. 韩莉. 东北农业大学. 2016
[9]. 基于相关性的股票价格预测模型研究[D]. 宁苡鹤. 北京邮电大学. 2018
[10]. 基于PCA-FOA-SVR的股票价格预测研究[J]. 王卫红, 卓鹏宇. 浙江工业大学学报. 2016
标签：金融论文; 证券论文; 投资论文; 股票论文; 预测模型论文; 神经网络算法论文; 粒子滤波论文; 回归模型论文; 股票分析论文; 非线性论文; 股票市场论文; bp神经网络论文;