陈阳[1]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。
朱瑜[2]2006年在《股市预测方法研究》文中研究说明针对中国股市预测问题，本文主要开展了以下工作： 1、研究了基于基本面的系统运筹式股票市场预测。将股票市场对象视为由多种要素和子系统构成的一个复杂系统，在全面、整体地对股票市场利益各个方面及其相关因素和条件的规律性认识的基础上，从投资主体的目的、需要、能力以及客观环境所提供的条件出发，有效地预测股票市场未来发展趋势和现在股票市场波段行情演化状况。 2、研究了现代预测方法在股价预测中的应用。针对传统分析方法的不足，分析了股价预测的结构及标准流程，从线性方法到非线性方法，对现代预测方法中的回归预测法、神经网络预测法、模糊预测法、状态空间预测法在股市预测中的应用进行了分析、总结和评价。 3、研究了基于状态空间表示的组合建模预测方法。根据由趋势、平稳自回归和非线性协方差随机变量组合而成的特定状态空间形式，提出了股票专用的预测估计方法。根据股市收盘价可以准确确定的特点，对这类随机问题进行了简化。该方法与普通卡尔曼预测方法相比较，能够提高预测精度，减缓了预测估计的发散。大量股市数据仿真计算和大盘预测法比股市常用的普通卡尔曼预测方法更有效。 4、研究了状态空间预测法在证券分析系统中的应用。现行的证券分析软件很多，其侧重点各有不同，各有优劣，对于技术面分析智能性不够，简单的指标罗列使一些不懂这些指标的投资者望而却步。利用大智慧证券信息平台原有的智能选股功能，把基本面选股、技术指标选股有机组合，并嵌入状态空间预测法，适当考虑消息面影响，这样无需重新编制指标、修改参数，就可使预测精度进一步提高，并最终实现了从对大盘指数预测到个股预测的有效运用，证明了股价预测模型的可行性及扩展性。
金泽阳[3]2003年在《股市预测与分析系统》文中研究说明股票诞生已逾300余年，股市经典的分析理论很多，但成功地运用现代数学工具采用数据分析的方法对股市进行分析预测的却不多见。本文结合：系统工程、证券投资、概率论与数理统计、西方经济学与财务会计学等理论，提出了：参照系系数变动法，能量理论；引用了期望效用分析法以及即将撰写的中值股票理论，股市风险理论等组成一个完整的股市预测与分析系统，希望为广大股民提供一种简单实用、准确及时的分析工具。 本文的撰写主要基于如下两点对股票／股市的认识理解、研究工作展开： 1、参照系： 目标股市／股票—参照指标 ①参照系系数变动法的实质是： 通过比较与具有相关关系的参照指标的比价关系的变动，按照参照系系数变动法的运用法则，来判定／预测目标股市的价格变动趋势。 ②从动态的预测方法： 在预测股市时必须为其寻找一个动态的参照指标。对一个随机事件的预测，必需从相关事件着手，用统计学的方法分析该随机事件，从而达到预测目标股市的目的。 ③参照系的思想： 以独创的参照系理论为基础，运用数理统计学的办法找出参照系系数，在极高置信度水平上(本文一般选取α=95％)对参照系系数变动的临界值进行参数估计并检验，而最终发现牛-熊反转信号，规避市场风险；该系统还能够对股民的中、短线操作提供即时指导。 2、能量理论 ①供求关系： 股票的供求关系决定了股票价格(P)是围绕股票价值(M)上下波动的。研究P／M的比值十分有意义，——这反映了股票投资价值的大小。 ②市场能量守恒： 股票内部能量(势能)的变化量等于外部能量(动能)的反变化量。 ③股票能量定律： 一个股票在每个交易日接近收市前，该股票的内外能量(股票的动能和股票的势能)变动达到均衡，整个交易日内的日势能位变动与日动能位变动对应相等。
丁效[4]2016年在《基于社会媒体的市场行情预测方法研究》文中研究说明以Facebook、Twitter、新浪微博为代表的社会媒体的迅猛发展,为观察大众的主观世界提供了空前的数据支持,从而也为预测大众的行为提供了新的手段。基于社会媒体的预测技术是指通过对社会媒体数据的挖掘与分析,看清事实真相,聚集大众的群体智慧,运用科学的知识、方法和手段,对事物未来发展趋势和状态做出科学的估计和评价。准确的预测结果对于人类生活中的趋利避害,工作中的计划决策起着至关重要的作用。一项决策的结果与该决策本身之间有着时间上的滞后关系,“利”与“害”总是存在于未来的时间与空间之中,任何决策都不可避免地要依赖预测。通过对未来趋势做出提前判断,有利于适时地调整计划,以及采取措施实施调控。然而,基于社会媒体的预测研究面临着各种挑战,这其中包括了缺乏清晰的问题定义和界限划分的挑战;社会媒体中群体智慧的挖掘以及文本语义理解不够深入的挑战以及预测模型较为简单,主要依靠线性回归模型,对非线性系统预测能力有限的挑战。本文主要针对这叁个挑战进行了研究,并对市场行情预测中的电影票房预测和股市涨跌预测进行探索,分别从社会媒体文本中抽取用户消费意图信息和客观的事件报道作为特征进行预测。具体而言,本文的主要研究内容可概括为以下几个方面:1.本文提出了隐式消费意图挖掘任务,并构造基于领域自适应的卷积神经网络模型自动识别社会媒体中的隐式消费意图,在此识别结果基础上推荐用户意图相关产品以期满足其消费需求。具体而言,给定一条微博文本,首先基于领域自适应的卷积神经网络模型做二元分类,判断其是否含有用户消费意图;随后,对于有消费意图的微博文本再抽取其中的需求词,最后,根据该需求词去事先构造好的消费意图事理图谱中检索可以满足消费意图的产品推荐给用户。本文构建了母婴领域和电影票房领域的语料,实验结果表明:(1)本文提出的领域自适应方法可以有效克服训练语料少带来的消费意图识别效果不理想的问题;(2)推荐给用户的意图相关全部产品中有60%左右的产品可以满足用户的消费需求。2.本文提出基于消费意图的电影票房预测模型。基于消费意图理解的电影票房预测相对于传统的电影票房预测而言,可以说是站在一个全新的角度进行研究,为此能够给预测工作带来两方面的优势:(1)电影上映前就可以采集到大量的民众反馈数据;(2)可以大规模的获取与电影票房高低最相关的影响因素:大众是否愿意观看某部电影。在此特征基础上,本文提出了高斯连接函数回归模型作为预测方法,该方法不需要对输入数据进行任何独立同分布假设,且能够分析输入数据之间的相互作用关系。本文在中国电影市场和美国电影市场均做了实验对比分析,结果表明本文提出的方法与传统的基于线性回归模型和支持向量回归模型的方法相比都取得了更加优异的表现。3.本文提出一套面向预测的事件定义,事件抽取和事件表示学习方法。该方法既克服了特定域事件抽取需要预先指定事件类型和标注大量训练语料的费时费力的问题,又解决了开放域事件抽取很难进行事件归一化,判断事件类型的问题。本文提出的方法利用张量神经网络模型以开放式事件抽取结果作为输入,通过张量对事件元组之间的关系进行建模学习并最终输出低维、稠密、实数值的事件向量。对于相似的事件,其在同一向量空间上距离也相近。实验结果表明,本文提出的事件抽取和表示方法与基线方法相比能够更加准确地表示客观事件。4.本文提出了基于卷积神经网络的预测模型,该模型利用开放式事件抽取并泛化得到的事件向量作为输入特征。该模型将输入事件划分成长期事件,中长期事件和短期事件,并利用卷积层神经结点将长期和中长期事件进行建模学习,抽取其中最重要的事件特征并分别表示合成一个向量。随后,卷积神经网络中的隐含层结点建模学习事件特征向量与股市涨跌之间的隐含复杂关系,最终输出股市涨跌的预测结果。实验结果表明,本文提出的方法比当前最好的股市涨跌预测方法在准确率指标上能够提升4个百分点。总之,本文一方面致力于解决基于社会媒体的信息抽取相关问题,另一方面致力于预测模型的构建工作,以期能够充分利用好抽取到的有用信息,将其最终应用到以电影票房和股市涨跌为代表的市场行情预测任务上。本研究取得了一些初步的成果,期待这些成果能为本领域的其他研究者提供参考借鉴。随着基于社会媒体的预测技术的不断完善以及大数据语料的不断开放,相信基于社会媒体的市场行情预测研究在未来会取得更大的突破。同时,基于社会媒体的预测技术的成熟也将促进其他相关研究的发展。
张丽娜[5]2007年在《支持向量机对股市的预测及实证分析》文中研究表明伴随经济的发展和人们投资意识的转变，股票越来越成为社会公众关注的焦点，股票投资已经成为现代人生活中一个非常重要的组成部分。但是股票投资收益的同时，也伴随着相当的风险，即投资越高，则可能要承担的风险也越大。因此，对于股市预测方法的研究不但具有深刻的理论意义更具有极其重要的应用价值。但是股市系统内部结构的复杂性及其外部影响因素的多变性决定了对于股票市场预测的艰巨性，现有的分析预测方法应用效果并不理想。同时，经过多年的发展，股市已经积累了很多数据信息，如何从这些数据中寻求到有价值的信息，将其应用于投资决策中便成为了股市预测的焦点。支持向量机是数据挖掘中的一项新技术，是借助于最优化方法解决机器学习问题的新工具。特别是近年来支持向量机在回归算法的研究方面也表现了极好的性能，但是将其应用到股市预测中却并不多。本文在分析了现行股价预测的基础上，提出了利用支持向量机对于股市预测的应用。基于支持向量机用于时间序列预测的理论基础，给出了基于时间序列的支持向量机预测模型。并且选取上证180指数及青啤股价作为训练预测数据，在对核函数及其参数的适当选择情况下，对于支持向量机的股市预测进行了实证检验。结果表明，支持向量机方法不但可以较准确的预测大盘的走势，而且对于个股股价的预测也具有很好的效果。由此可见，应用支持向量机对股市进行预测前景非常看好。
凌筱玥[6]2017年在《基于XGBoost算法的上证指数预测方案设计研究》文中提出数据挖掘技术产生于20世纪80年代后期,90年代有了突飞猛进的发展,随着技术的不断成熟,越来越多的学者将其广泛运用于不同的领域;其中,与金融领域的结合能够给广大投资者带来额外收益;股票市场是一个受多方信息影响的复杂系统,股市的涨跌由于其高度不稳定性,更是难以预测。投资者面对大量的股市信息,通常希望能够利用已知的历史信息运用某种方式对未来的市场涨跌进行预测,以应用于投资,获得超额收益。面对巨大的信息量,人工进行处理显然不现实:花费的成本也过于昂贵;所以有许多学者运用例如支持向量机、BP神经网络等机器学习的方法来对股市的涨跌进行预测;这一领域逐渐成为近两年待解决的热点问题;但是支持向量机等方法有一定的局限性,为了达到最优的分类效果,要采用高纬度的平面进行分类,这无疑增加了模型的复杂度;XGBoost算法作为2015年新提出的算法,具有运算效率和准确率高的优点,所以作者运用这一新的算法对股市涨跌进行预测,为投资者提供一种新的投资决策有效性方案。本文结合国内股票市场和国际上主要的股票指数,运用了支持向量机、决策树模型和XGBoost算法对上证综指、上证50指数、标准普尔指数的涨跌进行预测;同时,为了尽可能提高支持向量机、决策树和XGBoost算法对股市涨跌预测的效果,作者还把与成交量有关的数据进行了处理,使它的数值与其他指标相差不是太大;与此同时,还将XGBoost算法的有关参数进行了调优。选取了 28个技术指标作为输入变量,将预测的第二天的股市涨跌作为分类的输出变量;利用RStudio软件进行支持向量机、决策树和XGBoost建模,并得到了相对合理的实证结果,结果显示XGBoost模型对上证综指有非常理想的预测效果,预测的准确率达到了 70%以上,这与XGBoost算法的原理有关,它迭代每次的误差,达到最小化平方损失函数,所以比普通算法的准确率要高;上证50和标准普尔指数的预测准确率达到了 60%到65%,这可能与这两个指数只是选取的一部分股票作为样本有关;按照趋势进行划分时,也能够得到更高的预测准确率,运用XGBoost算法的预测结果进行投资,结果也显示能够使投资者获得理想的超额收益,支持向量机和决策树略低,也达到了 60%以上。可以看出,机器学习方法对股市预测和投资有一定的指导意义。给投资者的决策和政府监管提供了一个方便,切实可行的方案。
易轩[7]2017年在《基于投资者情绪的股市隐马尔科夫模型预测》文中认为行为金融学的研究表明,情绪对投资者的决策有显着的影响,在积极的情绪下,投资者倾向于高估投资机会、低估投资风险,从而交易频繁;在消极的情绪下,则反之。这样的投资行为最终使得股票市场产生了超乎寻常的波动,不利于资本市场的稳健发展。若能从“源头”着手,把投资者的情绪充分运用起来,在研究股票市场的涨跌态势方面将会开创新的思路。本文拟对投资者情绪进行量化,再构建隐马尔科夫模型对股票市场进行预测。本文首先借用情绪-金融决策模型分析了投资者情绪影响股票市场的两条路径:“情绪-认知-行为”路径与“情绪-行为”路径。然后,从理论层面分析了如何以投资者情绪为基础,运用隐马尔科夫模型对股票市场进行预测。在实证分析部分,本文首先对投资者情绪进行测量,运用偏最小二乘法(PLS)构建出了综合指标,该指标表明:消费者信心指数、新增股票投资者开户数、股票交易量和换手率与投资者情绪正相关,封闭式基金折价率与投资者情绪负相关。然后,考虑到我国股票市场“政策市”的实际情况,本文对九次利好政策事件、九次利空政策事件进行了研究,结果表明:政策因素对股票市场的影响已经被包含在了投资者情绪之中,运用投资者情绪对股票市场进行预测无需再单独考虑政策因素的影响。接着,本文根据2007年1月-2015年12月的投资者情绪综合指标数值,计算出了隐马尔科夫模型的关键参数,再根据预测原理运用MATLAB软件实现了对股票市场的预测,结果表明:所预测的时间段越长、期数越多,预测结果出现的概率越小。进一步地,为了突出投资者情绪的作用,本文还运用马尔科夫链进行了预测,并对两种模型的预测结果进行了检验和对比,分析表明:隐马尔科夫模型产生的预测结果更加准确,也就是说,投资者情绪是有助于预测股票市场的。
王莎[8]2008年在《BP神经网络在股票预测中的应用研究》文中提出随着经济的发展和人们投资意识的转变,股票投资已成为现代人生活中一个重要组成部分,而股票价格的预测也成为投资者关心和研究的重点。由于股票投资的收益与风险往往是成正比的,如何建立一个运算速度和精确度都比较高的股市预测模型,对于金融投资者具有理论意义和实际应用价值。本文在深入分析股票市场预测面临的关键问题和比较各种股票预测方法的基础上,探讨利用BP(Back Propagation)神经网络对股票走势进行分析和预测的可行性。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。针对BP算法在股市预测中存在的学习速度慢、容易陷入局部极小值、预测结果精度不高等问题,提出一种改进的BP神经网络算法。通过重新选取神经元的激活函数,对输出层和隐层中神经元转换函数的权值、缩放系数和位移参数进行调整,减少隐层节点数,加快BP网络的收敛速度。根据BP网络进行股市预测的原理,建立基于BP网络的股市预测模型,采用改进后的BP算法进行股市预测,并通过MATLAB软件对其预测过程进行仿真实验。在仿真过程中对BP算法和改进后的BP算法在预测股票中的收敛性能进行比较,并以湖南叁一重工的股票价格为例,对所建的预测模型进行训练,并用训练好的BP网络股市预测模型来预测其股票数据,达到了预测效果。
刘晓敏[9]2012年在《基于BP神经网络的股指预测系统》文中研究说明股票市场自诞生以来,随着经济的发展,在金融市场中占据着非常重要的地位。但是股市受到国家政策、经济环境、突发事件和人为操控等诸多因素的影响,使投资者在享受高收益的同时也承担着巨大的风险。对于占股市大多数的中小投资者来说,如果可以预测股市的走势,那么就可以尽可能地实现收益最大化和风险最小化。在股票市场中,股市指数体现着股市的整体走势,因此对股指进行预测不仅具有理论研究意义,更具有重要的现实意义。通过对股市预测的分析,了解到股市是一个复杂的非线性动态系统,传统的线性预测方法的预测效果不甚理想,而BP神经网络具有很强的非线性逼近能力、自学习能力和自适应能力,由于具有这些优点,BP神经网络成为股市预测领域使用广泛的方法之一。本文对基于BP神经网络的股指预测系统进行了功能性需求和非功能性需求的分析,在需求分析的基础上,根据系统需求提出的设计目标和原则,进行了系统的架构设计和功能设计,然后在详细设计阶段,对各模块进行了详细的功能设计和数据库设计。系统的核心模块为股指预测模块,本文重点对BP神经网络的模型设计、参数选取进行了实验分析,并结合优化网络拓扑结构、加入动量项和改进激活函数来对BP神经网络进行改进,解决BP神经网络预测精度不高、收敛速度慢和不稳定等问题,以提高系统的性能和预测准确率。最后通过预测结果表明,本文实现的基于BP神经网络的股指预测系统具有收敛速度快和预测精度高的优点,具有很高的实用价值。但是该预测系统还存在着一些缺点,如预测范围单一,只进行了上证综合指数的预测；预测精度尚有提高的空间以及系统的实用性尚待进一步的验证。本文的下一阶段工作是研究如何将使系统的应用范围更加广泛以及如何结合其他算法对BP神经网络预测模型进行改进,以获得更好的预测结果。
杨彦宁[10]2008年在《支持向量回归机在基金净值预测中的应用》文中认为支持向量机是基于统计学习理论的一种机器学习的方法。作为结构风险最小化准则的具体实现,支持向量机方法具有全局最优、结构简单、推广能力强等优点。由于支持向量机具有较严格的理论基础,又能较好地解决许多实际问题,该方法已成为近十年来机器学习领域最有影响的成果之一。最近20年来,投资基金在全球金融市场中以令人瞩目的速度迅猛发展。尤其近几年来,人们对于基金的关注不断升温。我们通过基金净值可以看到基金的收益情况,并把它作为是否买基金以及买哪只基金的主要参考依据。因此,对基金净值的预测具有非常重要的应用价值。本文在研究证券市场目前常用分析方法的基础之上,建立了支持向量回归机证券投资基金的净值预测模型,并得到了较好的预测效果。本文首先研究了证券市场预测的理论依据和证券市场中股票和基金的现状。由于在基金方面的预测主要以定性的方法为主,虽然也有运用回归方程分析法来预测的,但缺乏定量的预测结果。因此表明了运用支持向量回归机研究证券投资基金的必要性和有用性。其次主要介绍了统计学习理论与支持向量机的一些核心概念及其支持向量回归算法。推导了一种基于标准支持向量回归机的单参松弛二范数支持向量回归机。最后,本文运用MATLAB编程,实现BP网络迭代一步预测的方法对两支基金净值进行预测,然后建立支持向量机的非线性时间序列预测模型对两支基金净值进行预测,并将结果进行比较分析。仿真实验表明了支持向量回归机预测模型能较好的预测基金净值,且在非线性时间预测方面取得了很好的效果,具有一定的应用价值。
参考文献：
[1]. 股票预测模型研究[D]. 陈阳. 哈尔滨工程大学. 2007
[2]. 股市预测方法研究[D]. 朱瑜. 西北工业大学. 2006
[3]. 股市预测与分析系统[D]. 金泽阳. 西北工业大学. 2003
[4]. 基于社会媒体的市场行情预测方法研究[D]. 丁效. 哈尔滨工业大学. 2016
[5]. 支持向量机对股市的预测及实证分析[D]. 张丽娜. 青岛大学. 2007
[6]. 基于XGBoost算法的上证指数预测方案设计研究[D]. 凌筱玥. 上海师范大学. 2017
[7]. 基于投资者情绪的股市隐马尔科夫模型预测[D]. 易轩. 华侨大学. 2017
[8]. BP神经网络在股票预测中的应用研究[D]. 王莎. 中南大学. 2008
[9]. 基于BP神经网络的股指预测系统[D]. 刘晓敏. 大连理工大学. 2012
[10]. 支持向量回归机在基金净值预测中的应用[D]. 杨彦宁. 西安科技大学. 2008
标签：金融论文; 证券论文; 投资论文; 机器学习论文; 股票论文; 神经网络模型论文; 预测模型论文; 回归模型论文; 股市论文; bp神经网络论文;