张海珍[1]2008年在《小波神经网络在股价预测中的应用》文中指出随着国民经济的迅速发展和市场经济的不断完善,股票市场逐步成为我国证券业乃至整个金融业必不可少的组成部分,将股票市场走势进行分析和预测具有重要的理论意义和实际的应用价值。近年来,人们一般是通过建立时间序列预测模型来解决股价预测问题的,时间序列预测模型在线性系统、平稳时间序列问题上得到广泛应用,但在处理具有非线性特征或非平稳时间序列问题上,特别是在有人参与的主动系统、社会经济系统的预测上,这类方法无法取得令人满意的预测效果。随着非线性理论和人工智能技术的发展,小波分析和神经网络发展成为金融市场的分析和预测工具,但由于小波分析和神经网络各自内在的局限性,使它们用于股价预测时,结果不是很理想,如:BP算法收敛速度很慢,且在网络初始参数数据选取不当时,易陷入局部极小点;正交小波构造比较复杂,难以用显式表达等。而小波神经网络结合了小波分析和神经网络的优点,在一定程度上克服了二者各自应用于预测系统的不足,因此,将小波神经网络应用于股价预测具有重要的理论意义和实际的应用价值。本文首先介绍了小波分析和BP神经网络的基本理论;然后利用BP神经网络构建了BP神经网络短期预测模型,对模型中样本数据的选取、网络输入量的确定、数据的预处理方法等问题进行了规定,通过仿真实验确定了模型中隐含层神经元的个数;并对个股收盘价进行仿真实验,实验结果表明BP神经网络用于股价预测的效果是较好的。最后从小波神经网络的构造理论出发,对小波和神经网络的松散型结合方式进行了深入分析,提出利用小波分解与重构技术构建小波神经网络短期预测模型的方法,通过仿真实验确定了模型中重构的尺度;并对个股收盘价进行仿真实验,实验结果表明小波神经网络比BP神经网络模型预测效果更好,具有实际的推广应用价值。
王建伟[2]2004年在《基于小波分析和神经网络的股价预测方法研究》文中研究表明股票市场在我国产生以来不断成长，逐步成为证券业乃至整个金融业必不可少的组成部分，受到越来越多投资者的关注，因而对股票市场走势的分析和预测具有重大的理论意义和可观的应用价值。技术分析，作为证券分析中重要的组成部分，在国外的研究己经达到了较高的水平。在信息技术的发展同时，新的理论和技术分析手段不断的注入到技术分析中。随着中国证券市场逐渐走向理性，业内外人士对于新技术分析手段在中国股票市场的迫切需求，成为本课题发展的源动力。在本文中，首先介绍了中国股市的发展概况以及现有的分析方法。然后系统的分析了人工神经网络的原理、基本结构及其功能。随后介绍了新兴的小波分析的原理以及应用。在此基础之上，本论文探讨了将人工神经网络及其与小波分析相结合应用于股票价格预测的可能性。提出了首先用小波分解与重构技术在股票价格数据中辨识股票市场的发展趋势。然后训练人工神经网络识别股市发展趋势，在此基础之上作出预测。该方法的提出对于解决现有方法预测准确性低、算法不能收敛、以及趋势预测错误等弊端有一定帮助。为了证明算法的有效性，本文随机选取了 1993 年至 1998 年在上海上市的 30支个股不同时间段的数据进行了预测检验。结果表明，该预测方法能够以大于70％的平均正确趋势率对个股价格进行预测，优于现有的分析算法。在本文最后一部分中，提出了将 C++Builder 的灵活高效的编程能力与 Matlab的强大计算能力有机的结合起来，实现一个证券辅助分析系统。该系统的核心思想是利用 C++Builder 强大的 GUI 开发能力和良好的数据库管理功能为用户提供友好的界面，同时利用 Matlab 的预测算法在系统中实现对个股价格的预测。
冯居易[3]2008年在《股票价格预测模型研究》文中指出股市是市场经济的必然产物,在一个国家的金融领域有着举足轻重的地位。随着证券市场的逐步规范,人们的投资理念不断提高,在资本市场中逐渐形成与银行、保险叁足鼎立之势。股票投资已成为众多家庭及个人理财的一种重要方式。然而,股票市场具有高风险与高收益并存的特性,股票价格的涨跌及变化趋势一直受政府、投资大众的普遍关注。本文主要完成了以下几个方面的工作:(1)深入研究了影响股价波动的因素、股价预测基础及股价预测方法,并阐述了利用BP神经网络进行股价预测的原理。(2)利用单隐层的前馈神经网络建立BP股价预测模型,详细探讨了如何确定网络层数、隐层神经元数、初始参数等问题。为了提高网络性能,将数据集分为训练集和测试集,对输入样本归一化,并采用改进后的BP算法进行训练。(3)以民生银行为例,分别采用移动窗口法和技术指标法,对所建的预测模型进行训练,并将训练好的网络用于预测股票数据,取得了较好的效果。其中,根据训练所得网络的权值,对比了各输入变量的影响程度。(4)为了验证BP股价预测模型的普遍适用性,另选取五支股票进行验证,实验结果较好,说明该模型可用于其他股票的预测。股票市场是一个极其复杂的非线性动力学系统,而神经网络具有很强的非线性逼近能力和自学习、自适应等特性,实验证明,BP网络通过对以往历史数据的学习,找出股市发展的内在规律,并将其存储在网络具体的权值、阀值中,用以预测未来的走势。
胡俊胜[4]2005年在《证券价格的预测方法研究》文中指出我国证券市场发展迅速。证券数据预测方法多种多样。其中,基于定量分析的证券预测方法又分为线性和非线性预测方法。线性方法用于证券价格预测常带有某种局限。当今非线性方法越来越丰富,而且在证券市场中表现出其良好的预测优势。本文简要的介绍了线性和非线性预测方法及其现状,随后详细阐述了非线性预测方法中神经网络预测方法和小波神经网络预测方法的研究及应用情况,然后以线性时间序列建模,对长江电力股份收盘价进行了预测分析。人工神经网络有强大的非线性处理能力。它在多领域得到了较深入的应用。利用神经网络强大的非线性映射能力,本文使用人工神经网络中使用最频繁的Bp算法(反向传播算法)建立叁层网络,对长江电力股份收盘价进行预测分析。最后,根据收盘价曲线,构建小波神经网络对长江电力股份收盘价进行预测分析。在构建小波神经网络过程中,本文讨论了小波神经网络的参数初始化设置方法,并将自适应步长算法应用到小波神经网络的学习过程中。通过叁种证券价格预测方法的比较分析,进行了总结。非线性方法在证券预测中常可达到比线性方法预测更高的预测精度;小波神经网络有自学习的特点,较传统的神经网络具有收敛速度快,精度高等优点,在非线性经济预测中有较好的前景。
李晓静[5]2008年在《股价预测的非线性方法研究》文中进行了进一步梳理股票是市场经济的产物,从诞生的那天起就牵动着数以千万投资者的心。高风险、高回报是股票投资的特征,个人投资者和机构投资者时刻关心股票行市,分析财务数据,试图预测股票的发展趋势。然而股票市场是一个高度复杂的非线性动态系统,其变化有自身内在的规律性,同时也受市场、经济、社会等诸多因素的影响,以数理统计为基础的传统定量预测方法对股市预测研究的效果不是很显着,因此,寻找合适的股价预测方法是十分必要的。神经网络是近年来比较流行的一种非线性预测方法,它具有自组织、自适应、非线性等特点。它能自动从历史数据中提取有关金融活动的内在规律,而不需事先知道金融活动是线性还是非线性的,但神经网络还存在网络结构难以确定以及网络对给定的初始权值很敏感,极易使网络训练陷入局部解等不足。为了克服这些困难,本文以股票市场具有非线性动态特征和股票的可预测性为基础,尝试利用递归神经网络对非线性函数的逼近能力、自身的动态特性以及遗传算法的全局优化能力等因素,建立基于遗传算法和改进的递归神经网络(GA-Elman)的股价非线性预测模型,研究的主要工作包括:首先,对采用梯度下降算法的改进型Elman递归神经网络的权值修正方法进行具体的推导研究,并进行实验研究。其次,对遗传算法采用实数编码、运用轮盘赌法进行选择、通过算术杂交法进行交叉、使用非一致性变异法进行变异,并在进化的过程中采取保留最佳个体的策略,对改进Elman神经网络的网络结构和初始权值进行全局优化设计。最后,在模型输入因子的选择上,先考察了影响股票价格的历史数据、技术指标等因素,并进行分析从而获得了一组有效的输入组合。通过对以上叁个方面的研究,建立了基于GA-Elman神经网络的股价非线性预测模型。为了考察GA-Elman模型的预测能力,本文将GA-Elman模型分别对上证A股的中国石化(2007年8月1日至2008年1月18日)、莲花味精(2007年1月16日—2007年8月7日)和深证A股的叁花股份(2007年1月4日—2007年7月13日)、万科(2008年8月7日—2008年1月8日)四支股票的110个交易日,选取其中的70个交易日作为建模样本,以未来2个交易日内的最高价作为预测对象,建立预测模型,并进行了30个独立样本的预测仿真试验。其中,上证A股中国石化和深证A股叁花股份的试验结果如下:(1)对于中国石化的仿真试验,GA-Elman模型得到的平均误差为0.18525元(训练次数为2500次),其中模型对30个独立样本的预测误差中,最小的绝对误差为0.00015元,最大的绝对误差为1.30959元。进一步地,绝对误差在0～0.15元之间的次数为21次,在0.15～0.3元之间的为4次,在0.3～0.45元、0.45～0.6元及大于0.6元的次数分别为0次、3次、2次。(2)对于叁花股份的仿真试验,GA-Elman模型得到的平均误差为0.15818元(训练次数为2500次),其中模型对30个独立样本的预测误差中,最小的绝对误差为0.0027元,最大的绝对误差为0.45835元。进一步地,绝对误差在0～0.15元之间的次数为16次,在0.15～0.3元、0.3～0.45元、0.45～0.6元及大于0.6元的次数分别为9次、4次、1次、0次。为了进一步验证GA-Elman模型的有效性,本文还建立基于改进Elman神经网络的股价预测模型(简称Elman模型),并对上述4支股票相同的试验数据进行了30次独立样本的仿真试验。其中,上证A股中国石化和深证A股叁花股份的试验结果为:(1)对于中国石化的仿真试验,Elman模型得到的平均误差为0.34986元(训练次数为3000次),其中模型对30个独立样本的预测误差中,最小的绝对误差为0.01529元,最大的绝对误差为1.69272元。进一步地,绝对误差在0～0.15元之间的次数为9次,在0.15～0.3元之间的为7次,在0.3～0.45元、0.45～0.6元及大于0.6元的次数分别为7次、4次、3次。(2)对于叁花股份的仿真试验,Elman模型得到的平均误差为0.28174元(训练次数为3000次),其中模型对30个独立样本的预测误差中,最小的绝对误差为0.03096元,最大的绝对误差为0.93834元。进一步地,绝对误差在0～0.15元之间的次数为10次,在0.15～0.3元、0.3～0.45元、0.45～0.6元及大于0.6元的次数分别为11次、3次、3次、3次。通过比较、分析两种非线性预测模型的实验结果,可以看出:本文提出的股价非线性预测方法GA-Elman股价预测法对四支股票的预测精度较高,且其各方面的性能都明显优于改进Elman股价预测法。因此,本文所建立的GA-Elman神经网络预测方法可以为股票的个人投资者和投资机构提供新的思路和参考意见。
潘林[6]2006年在《基于小波分析与神经网络的股票市场预测应用研究》文中研究说明股票市场是投资者、管理者和经济管理学者共同关注的热点，自19世纪股票市场建立以来，对股票价格预测模型的研究一直是众多学者关注的焦点。随着股票投资在中国的发展，其影响越来越大，深入了解其运动规律已经成为经济发展的迫切要求。近年来，众多学者把股票市场看作是一个非线性的确定性动力学系统，用非线性确定系统规律研究股价的行为越来越显示出强大生命力。随着非线性理论和技术的发展，小波分析和神经网络等成为金融市场强有力的分析和预测工具。 本文对小波神经网络预测模型进行了深入分析和研究，构建了适应于股价分析的时间序列短期预测模型。本文研究的重点是小波神经网络预测方法的应用和实现。主要工作如下： 首先，根据国内外实际情况，本文从总体上分析了股票价格预测的必要性和可行性，在此基础上利用系统建模的有关理论和方法，根据实际情况，将抽象的纷繁复杂的金融系统转化为相对清晰的可以在数学上模拟和逼近的系统；同时，在这一过程中我们也认识到股票预测的短期有效性的内在原因。 其次，本文深入地研究应用了神经网络和小波分析理论的基本理论和方法，特别是研究了两者各自的优点与缺点，参考并借鉴了现有的各种小波神经网络的理论与方法，吸取其优点，提出了适合股票指数序列预测的小波网络。进而研究并利用小波神经网络进行股票指数序列预测的基本理论和方法。 为了验证理论和方法的正确性，最后我们利用MATLAB软件实现了该小波网络，并利用上海证券交易所的上证指数和雅戈尔股票2005年—2006年的指数数据验证了这一结论。我们用前170个数据作为训练样本集来训练网络，并用训练后的小波神经网络预测了2006年开始的30个数据，取得令人满意的预测结果，其预测精度优于人工神经网络。
陈阳[7]2007年在《股票预测模型研究》文中指出股票市场在我国产生以来不断地成长，逐步成为证券业乃至整个金融业必不可少的组成部分，并且受到越来越多投资者的关注，因而对股票市场走势的分析和预测都有重大的理论意义和可观的应用价值。技术分析，作为证券分析中的重要组成部分，在国外的研究已经达到了较高的水平，在信息技术发展的同时，新的理论和技术分析手段不断地被注入到技术分析中，随着中国证券市场逐渐走向理性，业内外人士对于新技术手段分析在中国股票市场的迫切需求，成为本课题发展的源动力。本文首先介绍了中国股市的发展概况，以及现有的基于灰色系统理论和神经网络的方法对于股票的预测。然后系统地分析了灰色系统理论、关联分析方法以及神经网络理论的原理、功能。在此基础之上，本文探讨了将灰色拓扑预测方法应用于股票预测的可能性，创新性地提出了改进的灰色拓扑预测方法辨识股票市场的发展趋势，实现了个股预测的有效运用，并将其扩展到了大盘，证明了该模型的可行性及扩展性；同时本文还探讨了基于关联分析的神经网络预测模型，提出了新的输入变量选择方法，并通过实证研究说明了该模型的有效性。作者将建模规律、心得做了总结，希望可以对以后的股票预测模型研究有所帮助。文章最后给出了展望。
林志勇, 张维强, 徐晨[8]2008年在《基于小波变换与MOBP的股价预测》文中研究说明提出了一种基于小波变换与改进动量BP神经网络(MOBP)的股价预测方法。将股票价格所构成的非平稳时间序列小波分解,建立基于优化权值的改进动量BP神经网络(MOBP)预测模型,对分解得到的近似部分与各细节部分分别进行训练,结合各部分的预测结果,可以得到原始序列的预测值。实验结果表明,这种方法预测效果较为理想,且相对于传统的BP神经网络预测的准确度有明显的提高。
代海波[9]2012年在《预测技术及应用研究》文中研究指明针对股票进行预测，无论是在政府对金融市场的监管还是投资者对股市风险的防范上都有重要的实际意义。股票市场受政策、经济、以及投资者心理等诸多复杂因素的影响，是一个高度复杂的非线性动态系统。传统的预测工具已经不能满足股市预测的要求，人们在预测时需要一个运算速度和精确度都比较高的股票预测模型。论文在深入分析股票市场预测方法的基础上，针对股票市场高噪声、高度非线性的特点，引入小波分析、人工神经网络模型和组合方法对股票市场进行预测。论文利用小波变换对股票历史时间序列数据预处理，再组合神经网络模型以及多种预测模型对预处理的序列进行建模和预测。首先介绍了小波分析、人工神经网络和组合预测模型的相关理论，并分别研究了极大重迭离散小波变换、极大重迭离散小波包变换和组合预测模型的基本思想，在此基础之上，给出了两种改进的小波阈值去噪方法和一种改进的小波神经网络模型，并用两个实例验证了给出的去噪方法和模型的有效性和优越性。其次介绍了方差倒数法和最优变权组合预测方法，并给出叁种新的定权与变权组合预测方法：新的方差倒数法，SMNE固定权组合预测方法和基于神经网络的变权组合预测方法，同时实例验证了这叁种方法是可行的和有效的。再次基于小波分析，小波去噪，神经网络模型以及组合方法，论文给出了几种基于小波变换的多种模型组合的预测方法，并通过流程图详细给出了各组合方法的预测过程。最后利用论文给出的几种预测方法对上海和深圳股票序列进行预测，并与传统的时间序列分析方法或单个模型预测相比，其股票预测效果有了较大的提高。
汪惠[10]2003年在《基于小波的企业管理预测方法研究》文中提出随着市场经济的高速发展和竞争的不断激烈，各个企业的领导人越来越认识到仅靠传统的经验式决策是行不通的，如何改进决策方法得到了非常的重视。而正确可靠的预测和由此而产生的可靠的决策，是现代企业成功的关键因素。基于小波进行经济预测的方法依靠其“数学显微镜”的特性，对待分析的预测指标进行逐层分析和预测，在提高预测精度的基础上，能对分析数据对象的结构特征进行挖掘，分析数据特征如发展主周期、次周期等，尤其对具有突变性质的数据具有很好的表征分析能力，这对于企业中复杂的变动剧烈的数据指标的预测能提供有效可靠的保证。本文是北京市教委科研项目“经济预测及决策新方法研究”的一个组成部分，旨在为企业管理者提供一套以小波方法为理论基础的，多尺度方法为解决问题思路的系统的有别于以往预测分析仅停留在时域或频域分析层次上的新的时频预测方法，从而帮助企业管理者进行多角度的，高质量的预测工作。本文是在Matlab工具、Eviews统计软件以及计算机的辅助下对企业管理预测方法展开了研究和探讨。基于小波方法对企业数据信号展开的消噪过程，主要是对经济数据在生成、传递和加工过程中产生的干扰噪声进行消除，消噪的方法主要是采用高频系数的阀值过滤法，通过对低频和过滤后的高频的重构可以还原出消噪后的信号，该信号的光滑性更好从而有益于对企业数据信号进行进一步的趋势预测。对企业数据信号进行的趋势预测，可以实现对经济信号发展的总体趋势、周期性及某些突变点进行分析和趋势预测。该趋势预测过程是在选定小波函数并确定了对信号的最大分解尺度的基础上，通过对小波分解和重构过程的组合来实现对所研究信号的趋势进行预测的过程。基于小波和B-J方法的数据结构分析和预测模型，通过对企业数据信号的无能量损失的简化处理，利用小波和B-J方法的组合模型对数据结构进行预测，从根本上明确该信号产生的机理，确定产生该结构的因素的作用力和发展趋势，从而达到改变或维持企业数据信号发展的目的。基于企业战略发展决策的需求提出的企业发展水平指标，是一个综合性的指标，它是单一指标的有机组合，它可以从一定程度上量化地刻画企业发展水平。综合预测指标具有比单指标更加复杂化的特征，通过小波方法和神经网络方法的有效组合，可以提高对综合指标的预测精度，从而为企业决策提供很好的指导作用。
参考文献：
[1]. 小波神经网络在股价预测中的应用[D]. 张海珍. 西安科技大学. 2008
[2]. 基于小波分析和神经网络的股价预测方法研究[D]. 王建伟. 北京工业大学. 2004
[3]. 股票价格预测模型研究[D]. 冯居易. 西安建筑科技大学. 2008
[4]. 证券价格的预测方法研究[D]. 胡俊胜. 南京信息工程大学. 2005
[5]. 股价预测的非线性方法研究[D]. 李晓静. 广西师范大学. 2008
[6]. 基于小波分析与神经网络的股票市场预测应用研究[D]. 潘林. 武汉理工大学. 2006
[7]. 股票预测模型研究[D]. 陈阳. 哈尔滨工程大学. 2007
[8]. 基于小波变换与MOBP的股价预测[J]. 林志勇, 张维强, 徐晨. 计算机工程与应用. 2008
[9]. 预测技术及应用研究[D]. 代海波. 燕山大学. 2012
[10]. 基于小波的企业管理预测方法研究[D]. 汪惠. 北京工业大学. 2003
标签：金融论文; 证券论文; 投资论文; 小波分析论文; 股票论文; 神经网络模型论文; 预测模型论文; 网络模型论文; 仿真软件论文; 线性系统论文; 非线性论文; 绝对误差论文; 股票市场论文;