杨洁[1]2013年在《小波分析及其对股市的分析应用》文中研究说明股市是一个“高风险,高收益”的市场。如何对股市进行分析是股市存在以来众多学者力图解决的一大难题。传统的股市分析方法有移动平均线法、灰色系统法、神经网络预测法等等,它们在股市分析应用中起到了非常重要的作用。但随着股市数据量日益庞大,噪声更加繁多,变化越为频繁,这些传统分析方法对股市这样的非平稳数据进行处理有些“力不从心”。尤其是我国股市,作为一个典型的庞大但不成熟的市场,剧烈频繁的波动几乎是它的常态。傅里叶分析和统计相结合是股市研究的重要方法之一,但因为傅里叶不具备“空间局部性”,因此也束缚了它在股市中的应用。在傅里叶基础上,“小波变换”被提出。基于小波良好的“自适应性”和“变焦性”等特性,小波变换非常适合对股市这样的“非平稳数据”进行分析。本文从四个方面对小波变换在股市中的应用进行研究,并以2005年之后上海证券交易所上证综指和深圳证券交易所深证成指的每日收盘价为对象,进行实证研究,主要包括：(1)首先我们对上证综指数据进行预处理,然后利用MATLAB软件的小波工具箱,对其进行小波分解。众所周知,股市的波动一定原因是由噪声(即突变因素)造成的,因此对每层的高频分解图进行观察分析,可得出股市的奇异点,并结合李氏指数,对奇异点的突变程度进行分析。(2)小波变换利用其分形的特性,可以将股市中的噪声信号进行剔除,从而使得股市的大趋势更加突出。通过对深证成指的每日收盘价进行小波分解和重构,得出去噪后的股市图。通过周期性分析,我们力图找出股市变动的规律性。(3)由上知,移动平均法是主要的线性分析方法之一。但由于它具有时滞的缺陷,使得其得出的股市分析结果有些误差。基于此,我们通过研究发现,用小波变换后的低频数据,取代短期移动平均线,可有效地解决“时滞”的问题,因此本文以2005年之后招商银行的每日收盘价为研究对象,采用改进的移动平均法,进行了实证研究。(4)上证综指和深证成指作为我国股市的两大重要指标,对它们之间的关联性进行研究,是近几年股市分析的主要方向之一。方差和相关系数是相关性研究的两个主要指标。本文结合小波变换,分别计算上证和深证数据的小波方差,及两者之间的相关系数,并对这两个指标进行分析,从而得出两市之间的关联性。
邓未冰[2]2010年在《基于小波分析的股市波动分析》文中研究表明股价波动是股票市场的常态特征。适度的股价波动有利于提高市场的流动性,增加市场的活跃度,但剧烈频繁的波动会扭曲市场的价格机制,导致股票市场效率损失进而弱化市场优化资源配置的功能。我国股票市场是一个新兴的市场,市场波动的高风险低效率表现得尤为突出。股票市场波动影响着投资者的风险和收益,因此,对市场波动性的研究一直是投资者和金融研究者关注的对象。许多学者对我国股票市场的研究,主要集中在叁个方面:一是对我国股市的阶段性划分,二是对股市数据的趋势分析,叁是对影响股市的因素的相关性分析。本文主要根据上证指数的波动来分析股票市场的波动。上证指数作为人们研究的热点,具有明显的非平稳特性。小波分析作为数学中一个发展迅速的领域,是一种新的信号处理方法,被广泛地应用于信号分析、图像处理等方面。金融数据作为一种时间序列,和我们平常分析的信号具有相同的特性,所以近年来小波分析在金融研究领域也日益成为主要的分析工具。小波分析可将信号小波分解到不同尺度的频率通道上,由于分解后的信号在频率成分上比原始信号单一,并且小波分解对信号作了平滑处理,这样对一些非平稳时间序列进行小波分解后,可将其当作近似意义上的平稳时间序列来处理,小波变换后重构不会丢失原始序列的信息,并可进行不同尺度下的多分辨分析。由于小波函数的“自适应”和“变焦”特性,它能有效的处理非平稳信号。本文采用去噪效果较好,重构又不失真的Daubechies-5小波和Symlet-2小波分别对上证指数进行3层分解、重构、降噪以及多分辨分析,找出上证指数波动过程中的奇异点并分析产生原因,旨在使其波动性特征的阶段性划分更加精确。最后,利用波浪理论和经过平滑处理的曲线对股市走势进行预期。
孔祥凤[3]2002年在《小波分析在股市数据分析中的应用研究》文中进行了进一步梳理中国的证券市场，特别是股票市场，以1990年12月上海证券交易所与1991年4月深圳证券交易所营业为标志，短短数年间已经得到了迅速的发展。过去对股市的研究基本建立在统计与Fourier分析的基础上，但Fourier分析不具有空间局部性。而小波变换具有良好的“自适应性”和“变焦特性”，被誉为“数学显微镜”，在处理非稳定信号上有其特殊的地位和功能。多分辨率分析就是基于此特性的一种简化空间表示方法。小波分析自80年代中后期成为一门独立的数学分支以来已在许多领域得到广泛应用，但在经济学中的应用，却还是近几年的事。本文正是基于这一背景，研究了股市信号的一些规律性——分形特性、奇异性、周期性、可预测性、有效性等，论证了小波分析在人类定量分析社会经济系统中应用的可能性。主要包括如下几方面： 1．基于股市数据无限增长及我国股市数据的时间序列不长、噪声水平较高，提出叁种股市数据预处理算法，在降低噪声水平的同时又不损失长程相关的有用信息； 2．对于小波分析的奇异点检测特性进行全面的分析，提出一种基于小波分析的奇异性度量算法，并用其分析股市信号的分形特性；基于股市信号的分形特性提出一种基于小波分析及统计的奇异点检测算法； 3．利用小波分析的变焦特性研究了股市周期性，并对其成因进行分析； 4，提出了一种基于小波分析及AR模型的股市趋势预测算法； 5．根据研究结果，分析了中国股市的有效性；并对沪深股市进行了比较分析；
侯木舟[4]2009年在《基于构造型前馈神经网络的函数逼近与应用》文中提出众所周知,人工神经网络具有很好的函数逼近能力,但传统的学习型神经网络存在许多缺陷,如对初始权重非常敏感,极易收敛于局部极小；往往停滞于误差梯度曲面的平坦区,收敛缓慢甚至不能收敛；过拟合与过训练；网络隐含节点数不确定等。针对此,本文主要研究近年来发展起来的单隐层构造型前馈神经网络的函数逼近能力及其在EEG信号预测、长株潭地区环境数据预测和股市数据挖掘中的应用,以及构造型前馈神经网络与学习型前馈神经网络在上述领域的应用比较。首先,在B. Llanas和F.J.Sainz的工作的启发下,将前馈神经网络的激活函数换成Gaussian函数,得到构造岭函数型Gaussian前馈神经网络,证明了具有单隐层n+1个神经元的神经网络,能精确插值n+1个样本,然后,根据样本值构造出Gaussian型前馈神经网络的内部和外部权值,证明了它能以任意精度近似地插值这些样本,并给出了其误差的上界。进一步,证明了这种构造型Gaussian型前馈神经网络能以任意精度一致逼近闭区间上的任意连续函数,并给出了其误差的上界。同时将上述结论推广到了多维的情况。并通过数值实验,验证了上述结论的正确性和有效性。由于上述造岭函数型Gaussian前馈神经网络在推广到多维的情况时的复杂性和具体操作上的困难性。将构造岭函数型Gaussian前馈神经网络的激活函数换成径向基函数(RBF),得到构造型前馈RBF神经网络。针对这种径向基函数型前馈单隐层神经网络,根据样本值直接构造出多维(包含一维)情况下的内部和外部权值,并给出了相应的形状参数,证明了它能以任意精度近似地插值这些样本,并给出了其误差的上界。进一步,证明了这种构造型RBF前馈单隐层神经网络能以任意精度一致逼近闭区间上的任意连续函数,并给出了其误差的上界。通过数值实验,验证了上述结论的正确性和有效性。进一步,将前馈神经网络的激活函数换成小波函数,得到小波前馈神经网络,证明了这种具有n+1单隐层个神经元的神经网络,能精确插值n+1个样本,同样根据样本值构造它的内部和外部权值,证明了这种构造型小波前馈神经网络能以任意精度近似地插值这些样本。进一步,证明了它能以任意精度一致逼近闭区间上的任意连续函数。同时将上述结论推广到了多维的情况。并通过数值实验,验证了上述结论的正确性和有效性。对于多维情况,采用比以前更简洁、更有效的构造方法,得到另一种构造型前馈小波径向基神经网络,同样证明了这种具有n+1单隐层个神经元的小波径向基神经网络,能精确插值n+1个多维样本,进一步,证明了它能以任意精度一致逼近闭区域上任意多维连续函数。并通过Matlab编程和数值实验,验证了这种网络操作上更简洁,收敛速度更快。将上述小波径向基神经网络推广到L2(R)RBF神经网络,对于多维数据与连续函数,证明了与小波神经网络同样的结论。并和CRBF网络、BP网络、ELM、SVM比较起来,通过8个实验进一步验证了L2RNNs具有更快的收敛速度和更好的泛化性能。将上述构造型sigmoid神经网络应用到EEG信号预测、并和学习型BP神经网络的预测方法和结果作对比,在样本数量不至于出现灾难维的情况下,构造型sigmoid神经网络体现出了明显的优越性。将学习型BP神经网络和构造型小波神经网络应用到长株潭地区环境数据预测中,再一次验证了,在小样本环境的预测中,构造型小波神经网络体现了其直接性、简洁性和稳定性。在股市数据挖掘中,将其中一部分数据作为样本,同时用小波分析、学习型BP神经网络和构造型小波神经网络,构造模型和算法。另一部分数据作为对模型的验证数据,检验相应的模型和网络。进一步验证了单隐层构造型前馈神经网络,在样本数量非海量的情况下的直接性、简洁性和稳定性。
侯守国[5]2006年在《基于小波分析的股市高频数据研究》文中指出小波分析是一个比较新的课题和方法,包含了丰富的数学内容并具有广泛的使用潜力,成为许多应用和工程学科中一个有力的研究工具。本文把小波分析用在对金融高频数据的分析研究上,开创了小波分析方法应用的新领域。本文的主要创新工作如下:1、利用小波分析对股市高频数据的日内周期性和日间波动性进行分离,并把其特性分解在不同的尺度上,随着分解层次的深入,“日历效应”变得越来越平滑,其高峰、尖尾的特性也被独立出来,使高频数据的特征更清晰地呈现出来。2、根据小波方差的概念,定义小波偏度和小波峰度,并把它们用在对股市高频序列的互相关分析上。得出结论:以不同的尺度为基准,沪、深两市收益率和波动率在不同滞后期上的相关性也是不同的,随着尺度的增大,表现出的相关性也在增强。3、把长记忆过程和小波分析结合起来,着重阐述了长记忆过程的离散小波变换、分整差分过程如何利用小波分析实现拟合和最小二乘估计等理论。利用小波分析研究沪、深股市高频数据的长记忆性,把长记忆性分解在不同的尺度上。4、利用小波去噪法除去高频时间序列的噪声,利用不同的准则、不同的小波函数得到不同的结果,但总体上用小波去噪的效果要好于传统的去噪方法。最后,对论文的内容进行总结和展望,并指出了今后的研究方向。
陈小雨[6]2014年在《小波分析在股市联系中的比较研究》文中研究表明经济全球化的加速,使得世界各国各地区的经济联系更加紧密,同时也促进了金融全球化的发展。本文选取中国大陆沪深股市、香港股市、和纽约股市的相关数据,运用小波分析的方法对中国大陆沪深股市、香港股市和纽约股市进行比较分析。从周期和相关性两方面研究了沪深股市和香港、纽约股市在周期上具有的异同点以及四个股市之间相关度。通过研究和对比各个市场周期和相关度发现：(1)从周期上来看：四个市场都具有较为明显的周期性,都存在着1250个交易日的短周期。中国大陆的上海股市和深圳股市在周期上具有极强的相似性,两者都具有1800个交易日的长周期,而它们与香港股市、纽约股市在周期上有较为明显的差别。香港股市和纽约股市在周期上也有惊人的相似,两者的长周期都由先前的2500个交易日转变到2000个交易日。(2)从相关性上来看：上海-深圳的相关度最高,其次是香港-纽约,而上海-香港、上海-纽约、深圳-香港、深圳-纽约基本处于同一水平,相关度不高。我们还能看出随着中国股市的发展,沪深两市的国际化程度逐渐加深,特别是在2007年世界经济危机后,这种趋势变得明显。时间上大陆股市变化比纽约和香港股市慢半拍。
王甜[7]2010年在《基于小波分析的我国股票价格指数波动性研究》文中研究说明近年来,小波分析开始被引入经济与金融领域,作为处理经济金融时间序列数据的工具。本文以上海股票市场作为研究对象,选取了1998年1月5日至2009年12月31日的2901个交易日的日收盘价数据和1998年1月6日至2009年12月31日的2900个日收益率数据,用小波变换的方法分析了股票市场的波动性。内容包括以下几个方面：研究的主要内容：首先,对论文的研究背景、研究的现实意义和国内外的研究现状进行了简单介绍；其次,介绍了小波分析理论,重点描述与本文论题有关的小波分析理论部分；然后,从股价指数和收益率两个角度对股价波动性进行了描述,并分别对上证指数收盘价和收益率进行了小波变换、多尺度分析、奇异性检测和相似性检测；最后,对分解后的信号进行了去噪重构处理,并对重构后的信号进行了小波回归估计。研究的主要结论：实证分析表明上证指数的波动性比较剧烈,奇异性比较明显；上证指数的相似性具有一定的波动聚集性,过去的波动对未来的波动有一定的影响；去噪重构后的上证指数趋势性更为显着,可预测性效果比传统去噪处理后的效果更好。
宋宜美[8]2002年在《小波理论及其在经济金融数据处理中的应用》文中研究表明小波是目前数学和工程界讨论最多、最广的话题之一。作为一个新兴的数学学科，它包含了丰富的数学内容，并具有广泛适用的潜力，已成为许多应用和工程学科的一个有力的研究工具。因此，详细讨论小波理论的内容，进一步探讨它的新应用具有很大的理论意义和实用价值。本文对小波理论及其在经济、金融(股票)数据处理中的应用作了尝试性的研究。主要内容包括： 小波分析冗余度的减小是小波理论研究中的一个很重要的问题，因此，文中以小波分析冗余度的减小为主线，较为详细地讨论了小波分析经典理论。 利用小波分析的多分辨特性和滤波思想，对它在经济时间序列分析中的应用作了研究。针对经济时间序列的特点，研究了时间序列在小波变换下的不同分解成分，提出了基于小波分析的时间序列分解及重构模型；在此基础上，给出了小波预测方法。总结了市场摆动滤波的不足，提出了基于小波滤波思想的简单去噪法。 讨论了小波变换在金融市场(股市分析)中的应用问题，这是将小波变换应用于股价指数数据分析一个尝试。本文利用小波分析经典理论研究了股价信号行为特征，发现股价信号具有自相似性、拟周期性，和某种长期趋势性。研究了线性分形插值理论，结合股价信号的自相似性，提出了股价序列分形插值逼近模型，并作了插值方法和插值次数的比较。利用自相似过程在小波分解下的特性，提出了基于小波变换的自相似信号检测算法。 归纳总结了小波理论应用中的几个基本问题。不同的问题用不同小波基来分析研究，其效果会大不一样。因此文中研究讨论了刻画小波特性的参数及常用小波基的特性。并对小波分解中边缘效应、小波函数及分解参数的选取和信号处理中信号奇异指标的数值计算、信号和小波基的采样作了讨论。
高玉东[9]2005年在《数据挖掘和小波理论在证券市场上的应用》文中指出数据挖掘技术源于商业的直接需求,因此它在各种商业领域都存在广泛的使用价值。通过在海量的股市历史数据中进行数据挖掘,得到较高兴趣度的数据,然后进行分析,并使用其它数学工具进行预测,或是研究其趋势走向,已经成为证券界所关注的焦点。利用数据挖掘、小波理论对证券时间序列的时变自相似指数、波动的模拟和股价指数预测等方面进行深入研究,从而有效地挖掘原始数据中蕴藏的有用信息,解决信息爆炸时代知识获取的瓶颈问题,为投资者、企业和监管机构提供准确、及时和全面的决策信息。主要研究内容如下:利用数据挖掘进行聚类分析,利用基于遗传算法的聚类技术进行数据的提取。概念聚类技术其要点是,在划分对象时不仅考虑对象之间的距离,还要求划分出的类具有某种内涵描述,从而避免了传统技术的某些片面性,该算法是在遗传算法思想与K-Means算法思想的基础上结合产生的,首先,产生遗传算法的第一代并开始进化,在每代进化中,我们都用K-Means方法对每个个体进行进一步的优化,这相当于在每一代都要对所有个体计算以其为初始值的K-Means问题的局部最优结果,并以这些局部最优结果替换掉原来的个体并继续进化,直到达到最大代数或者结果符合要求为止。这种方法力图通过遗传算法来保证获取全局最优解,而用K-Means方法提高算法的收敛速度。针对傅立叶变换不能确定信号奇异点的分布情况及其位置的缺陷,研究了证券时间序列周期检测的小波理论及应用,提出利用小波变换检测证券时间序列的可行性,并在简述证券时间序列预测技术研究现状的基础上,进行了小波预测与实证的比较研究。本文的创新点主要是首次把数据挖掘和小波理论应用到股市分析和预测中,把普通的K-means算法和遗传算法结合起来,使之成为有效的数据挖掘聚类分析工具;同时把证券领域的ARIMA算法结合到预测模型中使之成为一个灵活、有效的决策支持系统。
段晶晶[10]2007年在《小波分析和神经网络在股指预测中的应用研究》文中研究说明随着股票市场在我国的不断成长、中国经济的快速发展,越来越多的人将资金投向股票市场。因此,对股票市场走势的预测具有很大的理论意义和应用价值。股指作为一种重要的金融数据,具有强不确定性和非线性,所以对股指的预测存在一定的难度,目前对股指的预测多采用BP神经网络。本文主要研究的内容是针对BP神经网络的一些缺陷提出径向基函数(RBF)神经网络更适合对股指进行预测,同时为了使预测的效果更佳,将小波分析理论引入本文当中。本文首先对中国股票市场的现状进行分析,然后引入小波理论,并对其进行简单介绍,说明小波理论在股指预测中的应用方法。随后介绍了人工神经网络的发展概况及分类,并对本文所要用的BP神经网络及RBF神经网络的算法及学习规则进行了说明。在理论基础之上,本文将小波分析同神经网络结合应用于股指的预测。本文分别选取了97年到06年深、沪的每周闭盘指数共452个作为样本数据。本文的第四章、第五章为实证部分。第四章对样本数据进行小波处理,使用sym8小波函数对其进行降噪处理,使数据变得更加平滑,提高之后预测的准确度。文章的第五章先使用BP神经网络算法进行建模,用小波处理后的数据作为网络的输入,并对预测的结果进行平均绝对误差及平均相对误差计算;然后使用相同的输入数据用RBF神经网络建模预测,最后将BP网络及RBF网络预测的结果进行比较分析,得出RBF网络在股指预测中较BP网络更加准确。为了说明小波理论在股指预测中应用的有效性,本文还对未经小波降噪的预测结果同降噪后的预测结果进行比较,证明将小波理论应用于此有明显效果。
参考文献：
[1]. 小波分析及其对股市的分析应用[D]. 杨洁. 西南财经大学. 2013
[2]. 基于小波分析的股市波动分析[D]. 邓未冰. 河南大学. 2010
[3]. 小波分析在股市数据分析中的应用研究[D]. 孔祥凤. 西北大学. 2002
[4]. 基于构造型前馈神经网络的函数逼近与应用[D]. 侯木舟. 中南大学. 2009
[5]. 基于小波分析的股市高频数据研究[D]. 侯守国. 天津大学. 2006
[6]. 小波分析在股市联系中的比较研究[D]. 陈小雨. 东北大学. 2014
[7]. 基于小波分析的我国股票价格指数波动性研究[D]. 王甜. 青岛大学. 2010
[8]. 小波理论及其在经济金融数据处理中的应用[D]. 宋宜美. 西安电子科技大学. 2002
[9]. 数据挖掘和小波理论在证券市场上的应用[D]. 高玉东. 天津大学. 2005
[10]. 小波分析和神经网络在股指预测中的应用研究[D]. 段晶晶. 天津大学. 2007
标签：数学论文; 宏观经济管理与可持续发展论文; 小波分析论文; 神经网络模型论文; 前馈神经网络论文; matlab小波变换论文; 股市论文;