基于模糊时间序列和群智能算法的股票价格波动预测研究

发布时间：2017-08-23 20:17

  本文关键词：基于模糊时间序列和群智能算法的股票价格波动预测研究

  更多相关文章： 模糊时间序列 群智能算法 股票预测 模糊理论

【摘要】：金融时间序列是金融市场中一种重要的数据类型。金融市场的价格波动就是一种金融时间序列,尤其是股票价格,它综合反映了经济发展的运行状况和企业的经营状况,是备受投资者关注的经济晴雨表。投资者根据金融市场价格的波动,来调整自己的投资组合策略,以达到规避风险和提高收益的目的。因此,对股票价格时间序列建模的研究显得尤为重要。自金融市场产生以来,学者们一直在对证券市场上的价格变化(如股票、基金、汇率等)进行研究。他们认为股票价格时间序列具有高噪声、非平稳性和长期不可预测性等特点。很多经济学家根据金融时间序列预测的以上几个特点,从统计学角度提出了一些对金融时间序列进行预测的数学模型。从理论上来说,这些模型对真实的金融市场具有一定的参考意义,但是往往存在限制性的统计学假设前提,如正态性,稳定性等。而且,金融时间序列是一个复杂的、随机的、不确定的和非线性的系统,以带有诸多假设条件的传统方法来预测股票价格的波动显然是不准确、不客观的。同时,股票价格的波动受到多种因素的影响,并且以不同阶数的时间序列来预测,结果也不尽相同,且预测精度难以保证。近年来,计算机、数据科学(数据挖掘、数据分析、机器学习)和人工智能技术飞速发展,其中的群智能算法受到学者们的日益关注。群智能算法不需要对数据进行统计学假设限制,大多使用元数据,从而保证了数据的客观性。很多学者也尝试将这些理论方法与金融时间序列预测模型相结合,从结果来看,确实显著地提升了预测效果。同时,模糊理论的提出,也为具有随机性和不确定性特点的金融时间序列建模提供了新的角度。基于以上问题,本文将群智能算法与两类模糊时间序列模型相结合,提出两类改进型的金融模糊时间序列模型,以实现股票价格的波动的预测。本文重点研究的两类金融模糊时间序列的多元-高阶模型包括Type-1模糊时间序列预测模型和Type-2模糊时间序列预测模型。当数据不充分情况下,选用Type-1模糊时间序列预测模型,当数据充分情况下,选用Type-2模糊时间序列预测模型。为了解决两类模型如何划分区间的问题和Type-2模糊时间序列如何优化阶数的问题,本文采用群智能算法进行优化和比较,力求为以上问题的解决提供一种可行的方法。本文的创新点如下:(1)提出了一种基于遗传-模糊聚类和多元BP神经网络的一阶-多元Type-1金融模糊时间序列模型,这一模型较适应于股票信息较少情况。传统的Type-1金融模糊时间序列的划分区间方法基本为平均划分、模糊聚类等,本文将遗传算法与模糊C均值(Fuzzy C-means)聚类算法相结合以解决金融时间序列的论域划分以及模糊化问题,利用遗传算法具有全局搜索能力的优点来缓解模糊聚类易陷入局部最优的问题,提高划分区间的合理性;并且结合Type-1模糊时间序列的特点,提出了一阶-多因子的BP神经网络,以实现Type-1模糊时间序列的模糊关系的建立和预测。(2)提出了一种基于布谷鸟搜索算法和改进型自适应和声搜索算法的高阶-多因子的Type-2金融模糊时间序列模型,这一模型较适应于股票信息较多情况。传统的Type-2模糊时间序列模型为三因子预测模型,本文在此基础上提出改进型的四因子预测模型,应用了布谷鸟搜索算法代替传统的平均方法来划分论域,并且提出了一种改进型自适应和声搜索算法优化Type-2模糊时间序列的阶数。(3)根据本文提出的两种类型的金融模糊时间序列模型,以上海证券交易综合指数数据进行实证分析,分别与多个对比实验(基准模型)进行对比分析。实验结果表明,这两类不同数据情况下的金融模糊时间序列预测模型的预测精度均高于基准模型,验证了本文提出的两类模型对于一阶-多因子和多阶-多因子的股票价格短期预测问题具有较强实用性和有效性,满足了数据信息不充分和充分情况下的预测模型选择要求。本文的研究结合了群智能算法和模糊理论构建并改进了两类模糊时间序列模型,来解决不同阶数、不同因子相混合的股票价格预测问题,分别为此类问题提供了两种新的解决方法,为投资者规避风险、提高收益提供了额外的模型选择。
【关键词】：模糊时间序列 群智能算法 股票预测 模糊理论
【学位授予单位】：浙江财经大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F832.51
【目录】：

• 摘要5-7
• ABSTRACT7-10
• 第一章 绪论10-17
• 第一节 研究背景及意义10-11
• 第二节 国内外研究现状11-14
• 第三节 论文主要研究内容14-17
• 第二章 相关理论与方法概述17-27
• 第一节 模糊理论17-18
• 第二节 Type-1 模糊时间序列模型18-19
• 第三节 Type-2 模糊时间序列模型19-21
• 第四节 群智能算法21-26
• 第五节 本章小结26-27
• 第三章 基于Type-1 金融模糊时间序列的股票预测模型27-36
• 第一节 模糊C均值聚类算法与BP神经网络27-28
• 第二节 GA-FCM划分模糊区间28-33
• 第三节 模糊关系建立与预测效果评价33-34
• 第四节 本章小结34-36
• 第四章 基于Type-2 金融模糊时间序列的股票预测模型36-47
• 第一节 布谷鸟算法划分区间37-39
• 第二节 模糊化以及建立模糊逻辑关系和模糊逻辑关系组39-42
• 第三节 预测和去模糊化42-44
• 第四节 改进型自适应和声搜索算法优化高阶计算44-46
• 第五节 本章小结46-47
• 第五章 实证分析47-60
• 第一节 Type-1 金融模糊时间序列实例47-52
• 第二节 Type-2 金融模糊时间序列实例52-58
• 第三节 本章小结58-60
• 总结与展望60-62
• 参考文献62-68
• 攻读硕士学位期间主要科研成果68-69
• 致谢69-70

【相似文献】

中国期刊全文数据库 前10条

1 许清海;混沌投资时间序列的嬗变[J];漳州师范学院学报(自然科学版);2003年01期

2 高洁;孙立新;;长记忆时间序列的适应性预测误差的谱密度[J];统计与决策;2006年13期

3 黄超;龚惠群;;金融领域时间序列挖掘技术研究[J];东南大学学报(哲学社会科学版);2007年05期

4 耿显民;;价格时间序列及其应用(英文)[J];数学季刊;2008年01期

5 杜江;李玉蓉;钟菲菲;;基于模糊时间序列对我国对外贸易中的进口水平的预测[J];统计与决策;2010年23期

6 王朝;;浅述时间序列的预测方法[J];商业文化(下半月);2012年03期

7 刘猛洪;汪爱丽;;基于模糊时间序列的短期电力负荷预测[J];电子世界;2013年07期

8 刘彩霞;;时间序列在粮食预测中的应用[J];东方企业文化;2013年09期

9 邓树增;技术发展的时间序列律[J];科学学研究;1988年01期

10 肖牧;确定经济因素对地方当局政策的影响:利用时间序列和转换的功能模型[J];管理科学文摘;1996年01期

中国重要会议论文全文数据库 前10条

1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年

2 马培蓓;纪军;;基于时间序列的航空备件消耗预测[A];中国系统工程学会决策科学专业委员会第六届学术年会论文集[C];2005年

3 卢世坤;李夕海;牛超;陈蛟;;时间序列的非线性非平稳特性研究综述[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

4 李强;;基于线性模型方法对时间序列中异常值的检测及证券实证分析[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策（上册）[C];2002年

5 戴丽金;何振峰;;基于云模型的时间序列相似性度量方法[A];第八届中国不确定系统年会论文集[C];2010年

6 谢美萍;赵希人;庄秀龙;;多维非线性时间序列的投影寻踪学习逼近[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年

7 张大斌;李红燕;刘肖;张文生;;非线性时问序列的小波-模糊神经网络集成预测方法[A];第十五届中国管理科学学术年会论文集（下）[C];2013年

8 黄云贵;;基于时间序列的电网固定资产投资规模研究[A];2012年云南电力技术论坛论文集（文摘部分）[C];2012年

9 李松臣;张世英;;时间序列高阶矩持续和协同持续性研究[A];21世纪数量经济学（第8卷）[C];2007年

10 陈赫;罗声求;;历史横断面数据的时间序列化[A];科学决策与系统工程——中国系统工程学会第六次年会论文集[C];1990年

中国重要报纸全文数据库 前6条

1 ;《时间序列与金融数据分析》[N];中国信息报;2004年

2 何德旭 王朝阳;时间序列计量经济学：协整与有条件的异方差自回归[N];中国社会科学院院报;2003年

3 刘俏;让数据坦白真相[N];21世纪经济报道;2003年

4 西南证券高级研究员 董先安邋德圣基金研究中心 郭奔宇;预计6月CPI同比上涨7.2%[N];证券时报;2008年

5 东证期货 王爱华　杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年

6 任勇邋郑重;中国对世界钢材价格的影响实证分析[N];现代物流报;2007年

中国博士学位论文全文数据库 前10条

1 张墨谦;遥感时间序列数据的特征挖掘：在生态学中的应用[D];复旦大学;2014年

2 张德成;滑坡预测预报研究[D];昆明理工大学;2015年

3 苗圣法;时间序列的模式检测[D];兰州大学;2015年

4 翁同峰;时间序列与复杂网络之间等价性问题及表征应用研究[D];哈尔滨工业大学;2015年

5 杨婷婷;用Argo浮标结合卫星观测估算北太平洋经向热输运[D];中国科学院研究生院(海洋研究所);2015年

6 史文彬;时间序列的相关性及信息熵分析[D];北京交通大学;2016年

7 原继东;时间序列分类算法研究[D];北京交通大学;2016年

8 卢伟;基于粒计算的时间序列分析与建模方法研究[D];大连理工大学;2015年

9 王晓晔;时间序列数据挖掘中相似性和趋势预测的研究[D];天津大学;2003年

10 李桂玲;时间序列的分割及不一致发现研究[D];华中科技大学;2012年

中国硕士学位论文全文数据库 前10条

1 陈健;基于多变量相空间重构的投资组合策略研究[D];华南理工大学;2015年

2 兰鑫;时间序列的复杂网络转换策略研究[D];西南大学;2015年

3 米晓将;区域尺度下月均气温的时空演化格局研究[D];昆明理工大学;2015年

4 张鸣敏;基于支持向量回归的PM_(2.5)浓度预测研究[D];南京信息工程大学;2015年

5 林健;基于改进小世界回声状态网的时间序列预测[D];渤海大学;2015年

6 曹智丽;日气温和干旱指数支持向量回归预测方法[D];南京信息工程大学;2015年

7 高雄飞;基于分形理论的土壤含水量时间序列特性分析[D];长安大学;2015年

8 姚茜;城市安全生产发展目标研究[D];中国地质大学(北京);2015年

9 谢翠颖;苏州社会消费品零售总额简析[D];苏州大学;2015年

10 包仁义;基于时间序列的搜索引擎评估模型算法研究[D];东北师范大学;2015年

，

本文编号：727098