时间序列趋势预测方法研究及其在股票市场的应用

发布时间：2024-02-05 17:36

　　股票是人们进行投资和理财的重要方式,越来越受到人们的关注。对股票的准确预测不仅能给投资者带来收益,而且能极大地促进国民经济的发展。股票预测以预测股票未来的价格走势为目的,是实现股票投资利润最大化的关键。然而,股票价格受到许多因素的影响,如股票公司的盈利情况、国民生产总值、投资者的情绪、行业景气度等,对其精准预测仍然是一个具有挑战性的任务。对于股票价格预测来说,基于股票价格历史数据的预测模型是常用的预测方法之一,其包含两个重要环节:(1)构建合理的相似性测度,用于描述不同(价格)时间序列曲线之间的相似性程度;(2)构建时间序列预测模型,用于精准评估未来时间序列的变化趋势。针对上述两个环节,本文主要做了如下两方面的工作:(1)在相似度测度方面,提出了一种新的相似度度量方法——动态多视角个性化相似度测度,用于准确度量任意两段股票价格曲线之间的相似程度。具体来讲,我们首先对时间序列进行加权,用于体现不同时间的值对趋势预测所发挥作用的差异;然后将兰氏距离嵌入到动态弯折距离中,用于度量任意两个时间序列之间的相似性程度。新测度不仅可以体现时间序列的特性,消除奇异点的影响,还可以解决时间漂移和错位现象...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 时间序列相似性测度的研究现状
        1.2.2 时间序列预测方法的研究现状
        1.2.3 研究现状存在的问题
    1.3 本文研究内容
    1.4 本文章节安排
2 基于动态多视角相似性测度的股票价格预测
    2.1 常用的时间序列相似性测度
        2.2.1 欧氏距离
        2.2.2 兰氏距离
        2.2.3 动态时间弯曲距离
        2.2.4 欧氏距离、兰氏距离和动态时间弯曲距离的比较
    2.2 动态多视角相似性测度的构建
        2.2.1 动态多视角相似性测度
        2.2.2 预测方案
    2.3 基于动态多视角相似性测度的股票价格预测实验
        2.3.1 数据来源与预处理
        2.3.2 不同相似度测度之间的比较
        2.3.3 动态多视角相似度测度性能分析
    2.4 本章小结
3 基于最大相关熵自回归模型的股票价格预测
    3.1 常用的股票序列预测模型
        3.1.1 自回归模型
        3.1.2 神经网络模型
    3.2 最大相关熵自回归模型的构建
        3.2.1 相关熵
        3.2.2 最大相关熵自回归模型的建立
    3.3 基于最大相关熵自回归模型的股票价格预测实验
        3.3.1 不同预测模型之间的比较
        3.3.2 最大相关熵自回归模型与预测方法性能的比较
    3.4 本章小结
4 总结
参考文献
硕士期间发表的学术论文目录
致谢



本文编号：3895973