基于优化GAM模型的股价预测研究
发布时间：2022-01-23 22:20
越来越多的人尝试从海量数据中挖掘出隐藏的、有价值的信息,但是股票市场受多种因素影响,因此股价变化无常,呈现出非线性、非平稳的走势。如何准确预测股价走势、股价波动范围以及选择合适的预测方法成为投资领域亟待解决的研究热点。因此,本文的研究重点是基于海量数据的股价预测研究与股票投资策略研究。主要研究内容包括:（1）通过量化股票影响因素,本文提出基于优化广义加性模型的股价预测方法,采用傅里叶级数与logistics阻滞增长模型量化广义加性模型中的预测函数,将股票预测中的非线性问题转变为线性问题,对国际、国内上市公司的股票收盘价格进行时间序列预测。通过反拟合算法和样条平滑算法训练模型,结合变点预测方法与OLS回归算法得到平滑误差最小化、拟合效果更佳的股价演化趋势线,使得股价预测效果更优。在大量实证数据分析中:1)发现了“末尾效应”、“黑色星期四”以及“从小到大预测”现象;2)基于优化GAM模型的股价预测准确率比RBN、SVM、SSA-SVM等模型的股价预测准确率至少提高11%,为股价走势的预测提供了更有力的技术支撑。（2）为了帮助投资者判断股票市场的波动趋势,本文提出基于优化决策树模型的S-DT...
【文章来源】：西北师范大学甘肃省
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
论文组织结构图
西北师范大学硕士学位论文11非线性关系进行研究，具有非常好的灵活性能,与广义线性模型相比，最重要的不同在于协变量的非线性函数，如何去估计光滑函数成为对GAM模型的研究重点。GAM模型的构造过程如图2-1所示：图2-1GAM模型构造过程2.1.2反拟合算法反拟合算法[35](Back-fittingAlgorithm)是一种简单的迭代过程，主要用于模型拟合[43]，研究发现，大多数情况下，反拟合算法类似于GaussSeidel[44]算法求解某线性方程组。针对式(2-1)，考虑到)(iiXf的灵活性较高，导致GAM没有唯一解，因此，无法判定α的值。但是，可以通过约束函数求α，其约束函数如式(2-4)：1()NiiifX(2-4)针对式(2-3)所示的GAM表达式，对于给定的ix,iy，若使其误差项接近于0，则需采用样条平滑[35]算法(SplineSmoothingAlgorithm)，且11NiiiNy。通过反拟合算法迭代的学习并训练模型中的规律，即可得到每个时间点的预测函数值。则反拟合算法流程描述如下：(1)遍历有限样本数据，初始化式(2-3)中误差项ε等于0的约束条件，如式(2-5)
第2章相关技术和理论基础142.2.1决策树模型决策树[37]采用自顶向下的递归方法而生成的一种结构为树状的单分类器，每个决策或事件都可能引出两个或多个事件，从而导致生成不同的结果。构造决策树时最关键的问题是分类特征的选取，好的分类特征能够最大化的划分样本数据。决策树最上面的结点称为根节点，根节点可以最大化的划分数据集；每个分支的最深层是叶子节点，用来表示分类标签；位于根节点与叶子节点之间的结点称为非叶子结点，用其来表示特征属性。通过训练样本数据构建决策树，可以高效的对样本数据进行分类处理，并且可以生成容易理解的规则。目前常用的决策树算法有三种，如图2-2所示：图2-2决策树模型构造过程以上三种决策树算法的详细介绍如下所示：(1)ID3算法
【参考文献】：
期刊论文
[1]基于信息扩散模型的股市周期波动分析——国际经验与国内应用[J]. 李自然,乔兆容,汪寿阳,祖垒. 系统工程理论与实践. 2018(10)
[2]投资者有限关注、行业信息扩散与股票定价研究[J]. 向诚,陆静. 系统工程理论与实践. 2018(04)
[3]基于级差格式的GM（2,1）模型参数估计优化研究[J]. 唐李伟,鲁亚运. 系统工程理论与实践. 2018(02)
[4]基于信息扩散模型的上证指数定价和波动特征研究[J]. 李自然,祖垒. 系统工程理论与实践. 2015(06)
[5]基于相关性分析的基钦周期定位因子体系研究[J]. 周奕琛,张斌. 经济研究导刊. 2014(25)
[6]灰色关联分析模型研究进展[J]. 刘思峰,蔡华,杨英杰,曹颖. 系统工程理论与实践. 2013(08)
硕士论文
[1]基于MACD和前景理论的二阶段股票投资策略[D]. 程天燚.河北大学 2019
本文编号：3605260
【文章来源】：西北师范大学甘肃省
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
论文组织结构图
西北师范大学硕士学位论文11非线性关系进行研究，具有非常好的灵活性能,与广义线性模型相比，最重要的不同在于协变量的非线性函数，如何去估计光滑函数成为对GAM模型的研究重点。GAM模型的构造过程如图2-1所示：图2-1GAM模型构造过程2.1.2反拟合算法反拟合算法[35](Back-fittingAlgorithm)是一种简单的迭代过程，主要用于模型拟合[43]，研究发现，大多数情况下，反拟合算法类似于GaussSeidel[44]算法求解某线性方程组。针对式(2-1)，考虑到)(iiXf的灵活性较高，导致GAM没有唯一解，因此，无法判定α的值。但是，可以通过约束函数求α，其约束函数如式(2-4)：1()NiiifX(2-4)针对式(2-3)所示的GAM表达式，对于给定的ix,iy，若使其误差项接近于0，则需采用样条平滑[35]算法(SplineSmoothingAlgorithm)，且11NiiiNy。通过反拟合算法迭代的学习并训练模型中的规律，即可得到每个时间点的预测函数值。则反拟合算法流程描述如下：(1)遍历有限样本数据，初始化式(2-3)中误差项ε等于0的约束条件，如式(2-5)
第2章相关技术和理论基础142.2.1决策树模型决策树[37]采用自顶向下的递归方法而生成的一种结构为树状的单分类器，每个决策或事件都可能引出两个或多个事件，从而导致生成不同的结果。构造决策树时最关键的问题是分类特征的选取，好的分类特征能够最大化的划分样本数据。决策树最上面的结点称为根节点，根节点可以最大化的划分数据集；每个分支的最深层是叶子节点，用来表示分类标签；位于根节点与叶子节点之间的结点称为非叶子结点，用其来表示特征属性。通过训练样本数据构建决策树，可以高效的对样本数据进行分类处理，并且可以生成容易理解的规则。目前常用的决策树算法有三种，如图2-2所示：图2-2决策树模型构造过程以上三种决策树算法的详细介绍如下所示：(1)ID3算法
【参考文献】：
期刊论文
[1]基于信息扩散模型的股市周期波动分析——国际经验与国内应用[J]. 李自然,乔兆容,汪寿阳,祖垒. 系统工程理论与实践. 2018(10)
[2]投资者有限关注、行业信息扩散与股票定价研究[J]. 向诚,陆静. 系统工程理论与实践. 2018(04)
[3]基于级差格式的GM（2,1）模型参数估计优化研究[J]. 唐李伟,鲁亚运. 系统工程理论与实践. 2018(02)
[4]基于信息扩散模型的上证指数定价和波动特征研究[J]. 李自然,祖垒. 系统工程理论与实践. 2015(06)
[5]基于相关性分析的基钦周期定位因子体系研究[J]. 周奕琛,张斌. 经济研究导刊. 2014(25)
[6]灰色关联分析模型研究进展[J]. 刘思峰,蔡华,杨英杰,曹颖. 系统工程理论与实践. 2013(08)
硕士论文
[1]基于MACD和前景理论的二阶段股票投资策略[D]. 程天燚.河北大学 2019
本文编号：3605260
本文链接：https://www.wllwen.com/guanlilunwen/bankxd/3605260.html
