行为金融视角下的股指预测方法研究

发布时间：2017-07-02 21:01

  本文关键词：行为金融视角下的股指预测方法研究

  更多相关文章： 股指预测 行为金融指标 支持向量机 仿生优化算法

【摘要】：实际的金融市场中有诸多传统金融理论无法解释的现象，，例如投资者对市场信息的过度反应或反映不足、羊群效应、IPO首发抑价等等。大量事实表明，基于投资者理性假设的有效市场理论存在明显的缺陷，而投资者对市场信息的个人解读以及内心波动，都影响着投资者做出不同的决策行为。 为此，一些专家已经开始关注并研究金融决策中的投资者行为和心理波动。在保留一些通用的理论范式前提下，学者们利用心理学理论研究投资者行为研究，探索投资者心理波动的过程和投资行为决策的影响因素，再通过数量化模型实证研究的准确性。 本文结合行为金融、神经网络和仿生算法等理论，对我国证券市场的股票指数序列的演化及其复杂性做出了相应分析，既能帮助投资者更深刻的认识我国证券市场的行为和内在机制，还能有助于投资者正确认识和把握我国股票市场波动的混沌规律，引导投资者进行正确投资，保障我国证券市场健康持续的发展，具有一定的理论价值和实践意义。具体的工作内容包括： （1）概述当前主要的股指预测方法、神经网络模型及其优化、智能仿生算法发展现状；并重点介绍基于非统计原理的股指预测模型及其优化。对比较常见的股指预测模型例如BP神经网络模型、Elman神经网络模型和支持向量机模型做详细介绍，提出不同模型的优缺点；并介绍了两种常见的仿生优化算法，遗传算法和粒子群算法。 （2）构建行为金融指标体系。首先，基于股价行为研究和投资者情绪指标研究提出影响投资行为的指标，筛选后进行因子分析，提出影响股指的行为金融指标。对行为金融指标和股指进行格兰杰因果分析，实证所定义的行为金融指标不仅具备定量的可解释性，同样符合经济学涵义。最后，构建行为金融指标体系。 （3）基于支持向量机和仿生优化算法的股指预测模型构建。根据股指预测和行为金融指标的特点，选择支持向量机作为模型方法，并利用实验对比的仿生选择模型的核函数和最佳参数。并构建基于支持向量机和仿生优化算法的股指预测模型。 （4）应用研究。基于构建的股指预测模型进行应用研究。对比以BP神经网络、Elman神经网络预测模型，发现以仿生算法优化的支持向量机预测模型的回归拟合效果最优，证明所构建模型的有效性。
【关键词】：股指预测 行为金融指标 支持向量机 仿生优化算法
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：F823.51;F224
【目录】：

• 摘要5-6
• Abstract6-11
• 第一章 绪论11-20
• 1.1 研究背景及意义11-12
• 1.2 国内外研究综述12-18
• 1.2.1 股指预测模型与方法12-13
• 1.2.2 神经网络模型及其优化13-14
• 1.2.3 智能仿生优化方法14-16
• 1.2.4 仿生优化算法应用研究16-18
• 1.3 研究方法18
• 1.4 研究内容18-20
• 第二章 股指预测的特点及预测模型20-33
• 2.1 股指预测的特点20-21
• 2.1.1 股指波动的特点20
• 2.1.2 股指预测模型的特点20-21
• 2.2 基于非统计原理的股指预测模型21-30
• 2.2.1 神经网络预测模型21-25
• 2.2.2 支持向量机预测模型25-30
• 2.3 仿生优化算法30-32
• 2.3.1 遗传算法30-31
• 2.3.2 粒子群算法31-32
• 2.4 本章小结32-33
• 第三章 行为金融指标体系构建及因果检验33-52
• 3.1 投资行为影响因素33-35
• 3.1.1 股价行为研究33
• 3.1.2 投资者情绪指标研究33-35
• 3.2 影响投资行为的指标选取及筛选35-40
• 3.2.1 影响投资行为的指标选取35-37
• 3.2.2 影响投资行为的指标筛选37-40
• 3.3 影响投资行为指标的因子分析40-43
• 3.3.1 提取公共因子40-43
• 3.3.2 计算因子得分43
• 3.4 行为金融因子格兰杰因果分析43-50
• 3.4.1 ADF 检验43-44
• 3.4.2 格兰杰检验和分析44-50
• 3.4.3 行为金融指标体系构建50
• 3.5 本章小结50-52
• 第四章 基于 SVM 和仿生算法的股指预测模型构建52-66
• 4.1 股指预测的可行性分析52
• 4.1.1 股指预测与支持向量机52
• 4.1.2 行为金融指标与支持向量机52
• 4.2 核函数的确定52-59
• 4.2.1 三种常用的核函数53-54
• 4.2.2 核函数确定流程54
• 4.2.3 核函数对比评价指标54-55
• 4.2.4 实验对比和结果分析55-59
• 4.3 模型参数的优化选取59-65
• 4.3.1 参数优化实验流程59-60
• 4.3.2 模型参数范围的确定60-62
• 4.3.3 性能评价方法和评价指标62-63
• 4.3.4 基于遗传算法的参数确定63-64
• 4.3.5 基于粒子群算法的参数确定64
• 4.3.6 优化实验结果比较64-65
• 4.4 预测模型的构建65
• 4.5 本章小结65-66
• 第五章 行为金融视角下股指预测方法应用研究66-75
• 5.1 应用实验设计66-68
• 5.1.1 样本数据准备66
• 5.1.2 应用流程设计66-67
• 5.1.3 性能指标设计67-68
• 5.2 应用测试结果68-72
• 5.2.1 基于支持向量机的股指预测68-69
• 5.2.2 基于 BP 神经网络的股指预测69-71
• 5.2.3 基于 Elman 神经网络的股指预测71-72
• 5.3 输出结果对比与分析72-74
• 5.4 本章小结74-75
• 总结75-77
• 参考文献77-82
• 附录82-90
• 攻读硕士学位期间取得的研究成果90-91
• 致谢91-92
• 答辩委员会对论文的评定意见92

【参考文献】

中国期刊全文数据库 前10条

1 周万隆;姚艳;;支持向量机在股票价格短期预测中的应用[J];商业研究;2006年06期

2 温从德;;基于遗传算法的股票指数复制方法实证检验[J];中国城市经济;2010年05期

3 吴微,陈维强,刘波;用BP神经网络预测股票市场涨跌[J];大连理工大学学报;2001年01期

4 盛昭瀚,马军海,陈国华;管理科学:面对复杂性Ⅱ——经济时序动力系统分形及混沌特性分析研究[J];管理科学学报;1998年04期

5 王美今,孙建军;中国股市收益、收益波动与投资者情绪[J];经济研究;2004年10期

6 李立辉,田翔,杨海东,胡月明;基于SVR的金融时间序列预测[J];计算机工程与应用;2005年30期

7 林春燕;朱东华;;基于Elman神经网络的股票价格预测研究[J];计算机应用;2006年02期

8 刘华春;;基于Elman神经网络的股市决策模型[J];计算机应用;2009年S1期

9 吴成东,王长涛;人工神经元BP网络在股市预测方面的应用[J];控制工程;2002年03期

10 王京宝;;径向基函数网络(RBF)在股市预测中的应用[J];科技信息;2007年02期

中国博士学位论文全文数据库 前1条

1 刘小龙;细菌觅食优化算法的改进及应用[D];华南理工大学;2011年

  本文关键词：行为金融视角下的股指预测方法研究

  更多相关文章： 股指预测 行为金融指标 支持向量机 仿生优化算法

本文编号：511203