基于神经网络技术的股票买入点预测系统的设计与实现

发布时间：2017-10-28 04:07

  本文关键词：基于神经网络技术的股票买入点预测系统的设计与实现

  更多相关文章： 股票市场 预测 神经网络

【摘要】：股票市场受到政治形势、国家政策、投资者心理等诸多因素的影响,其内部的变化规律极其复杂,并且变化周期也杂乱无章。人们很难凭直觉和经验从庞大的数据中获取隐藏的信息。因此,运用数据挖掘的相关技术对股票市场进行分析和预测成为必然的选择。其中以神经网络技术为代表,它通过对人脑进行简化和抽象,用以进行智能化的决策和推断。神经网络具备较强的自组织、自适应、自学习等特点,并且可以对问题进行分布式的处理。将其应用于股票市场这类复杂多变的非线性动力学系统进行分析和预测的研究时具有明显优势。本课题设计并实现了基于神经网络技术的股票买入点预测模型。相较于同类研究,本预测模型创新性的将未来一段时间内的最大累计涨幅作为预测对象。它可以较为精确的对股票的涨跌趋势进行预测,在训练样本集和测试样本集中的平均正确率超过80%,具有较强的实际应用价值。此预测模型由6个独立的BP神经网络所组成,通过对6组特征信息分别进行训练学习,实现对股票未来28天内涨跌幅度的预测。基于此预测模型设计并实现了股票买入点预测系统。此系统由两部分组成,分别为股票分析客户端和股票分析服务端。其中股票分析客户端包含数据全量加载模块和预测查询模块,股票分析服务端包含数据增量采集模块、特征提取模块和训练学习模块。通过对2005年1月至2016年1月间沪深2市共2000余支股票的日线数据进行特征提取,利用神经网络进行训练学习,对股票的买入点进行预测,为股票市场中的投资者在进行股票交易和决策时提供重要的参考依据。
【关键词】：股票市场 预测 神经网络
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F832.51;TP183
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 研究意义9
• 1.2 国内外研究现状9-11
• 1.2.1 国外研究现状10-11
• 1.2.2 国内研究现状11
• 1.3 常用术语11-12
• 1.4 相关工作12
• 1.5 本文主要研究内容12
• 1.6 本文结构12-15
• 第2章 股票预测的理论和方法15-21
• 2.1 股票价格的波动因素15-17
• 2.1.1 股票市场内部因素15
• 2.1.2 公司内部因素15-16
• 2.1.3 宏观经济因素16
• 2.1.4 政策因素16-17
• 2.1.5 其他因素17
• 2.2 股票预测的基本假设17
• 2.3 股票数据的特点17-18
• 2.4 股票预测的方法18-20
• 2.4.1 神经网络方法18-19
• 2.4.2 时间序列分析法19
• 2.4.3 基于统计学理论的预测方法19-20
• 2.4.4 灰色预测方法20
• 2.4.5 其他的预测方法20
• 2.5 本章小结20-21
• 第3章 股票预测系统的需求分析与总体设计21-33
• 3.1 系统功能分析21-22
• 3.2 系统约束22
• 3.2.1 环境约束22
• 3.2.2 开发约束22
• 3.3 架构设计22-23
• 3.4 数据库设计23-32
• 3.4.1 表间关系图23-24
• 3.4.2 表定义24-32
• 3.5 本章小结32-33
• 第4章 股票预测模型的设计与效果评测33-47
• 4.1 股票预测模型的设计33-39
• 4.1.1 7天活跃度分析网络33-34
• 4.1.2 14天活跃度分析网络34-35
• 4.1.3 28天活跃度分析网络35-36
• 4.1.4 56天活跃度分析网络36-37
• 4.1.5 7天均价趋势变化度分析网络37-38
• 4.1.6 14天均价趋势变化度分析网络38-39
• 4.2 股票预测模型的预测得分与阈值选取39
• 4.2.1 计算规则39
• 4.2.2 阈值选取39
• 4.3 股票预测模型的实例分析39-43
• 4.3.1 原始数据信息39-41
• 4.3.2 各时间段统计信息41
• 4.3.3 神经网络输入变量41-42
• 4.3.4 预测结果分析42-43
• 4.4 股票预测模型的效果评测43-45
• 4.4.1 数据样本分类43-44
• 4.4.2 神经网络训练44
• 4.4.3 神经网络测试44-45
• 4.5 本章小结45-47
• 第5章 股票预测系统的详细设计与实现47-57
• 5.1 股票分析客户端的设计与实现47-51
• 5.1.1 数据全量加载模块47-49
• 5.1.2 预测查询模块49-51
• 5.2 股票分析服务端的设计与实现51-56
• 5.2.1 数据增量采集模块51-52
• 5.2.2 特征提取模块52-55
• 5.2.3 训练学习模块55-56
• 5.3 本章小结56-57
• 结论57-59
• 参考文献59-63
• 致谢63

，

本文编号：1106562