建立股指波动预测模型的方法研究及应用

发布时间：2020-07-05 02:55

【摘要】：反映股票市场总体走势的各类股票指数一直以来是经济波动的晴雨表,是政府对股市进行调控和监督的重要依据,同时也是投资者进行投资不可或缺的重要投资指南。因此,如何对股指进行准确预测,使得政府能够对股市进行有效监管与调控、投资人能够有效避免投资风险,就成为金融领域理论界长期以来的研究焦点。但是,由于股指的波动受宏观、微观、内部、外部等诸多因素的影响,因此,对股指的预测存在较大的难度。本文在前人研究的基础上,对股指预测理论方法及模型构建做了如下几个方面的研究： (1)股指波动影响因素及股指预测模型特点研究。由于影响股指波动的因素众多,本文从宏观经济、技术指标、心理因素三个层面对影响股指波动的因素进行了系统的归纳与总结；结合股指波动特点和影响因素,分析并归纳出股指预测模型应该具备的功能和要求； (2)股指波动统计类预测模型与创新类预测模型比较研究。本文首先在理论上将两种预测模型进行了比较,对两种预测方法在建模的理论基础、数据要求与处理、模型稳定性与适用性、预测精度与长度等方面进行了比较与探讨。其次,将两类模型进行了实证方面的比较,进行了单一指标输入和多指标输入的大样本、小样本及组合模型的比较； (3)运用生物进化算法对神经网络股指预测模型进行优化。本文运用被GA, PSO, AFSA三种生物进化算法优化后的RBF神经网络对上证综指进行预测,并将三种优化算法得到的预测结果进行了预测精度的比较； (4)建立基于数据挖掘的RBF+AFSA股指预测模型和GA-BP股指预测模型,运用数据挖掘技术,将影响股指波动的数量性指标逐一带入预测模型,将表现不好的淘汰,表现较好的再进一步进行优化组合,直到寻找到一个预测精度最好的最优组合为止； (5)建立基于知识挖掘的FPBP股指预测模型和REPTree+RBF+AFSA股指预测模型,在数据挖掘的基础上,运用知识挖掘技术,将影响股指波动的文本性因素,包括宏观经济性因素和心理因素等,进行筛选、分级、归类等预处理,然后带入相应的预测模型,使预测结果能够更为接近真实值。 论文综合应用股指预测理论、经济学理论、神经网络理论、群智算法理论、数据挖掘理论、知识挖掘理论以及现代数学方法与计算科学技术,对股指预测理论及方法进行了全面系统的研究。具体研究方法包括：(1)理论与实证相结合的研究方法；(2)定量与定性相结合的研究方法；(3)归纳与比较相结合的研究方法等。 本文的主要创新点包括：(1)将统计类的股指预测模型与创新类的股指预测模型在理论与实证两方面进行了比较,结果显示,创新类预测模型在股指预测方面优于统计类预测模型。(2)建立了一种新的对RBF神经网络进行修正的模型--鱼群修正的径向基神经网络预测模型(RBF+AFSA),在数据挖掘的基础上,运用该模型对上证综指进行了预测,并将该种模型的预测结果与其它预测模型进行了比较。(3)运用知识挖掘理论,建立了一个FP_Tree+BP混合预测模型——FPBP预测模型,选用FP Tree决策树技术,对影响股指波动的文本因素进行了筛选,寻找出影响股指波动的主要文本因素：经济增长、CPI、货币政策、投资者心理和突发事件。之后将文本因素做适当数量化处理后输入BP模型。实证结果显示,加入文本因素后的FPBP模型的预测效果好于仅输入数量化指标的BP模型。(4)建立了一个基于知识挖掘的REPTree+RBF+AFSA模型。在RBF+AFSA模型数据挖掘的基础之上,将数量化指标的训练误差和文本指标都带入REPTree分类器做决策树IF-Then规则分析,得到一个预测调整率。根据预测调整率调整数据挖掘得到的预测结果。实证结果表明,引入了文本因素之后的REPTree+RBF+AFSA模型预测精度得到了一定程度的提高。 论文研究结果表明：创新型智能化预测模型在股指预测方面优于传统的统计类预测模型；通过建立基于数据挖掘的股指预测模型,对影响股指的数量化因素进行数据挖掘,表明无论在何种预测模型中,经过数据挖掘的多因素组合指标的预测效果都好于单一指标的预测效果；通过建立基于知识挖掘的股指预测模型,对影响股指波动的文本因素进行筛选和分类,并将其带入相关预测模型,结果显示,加入文本因素后的预测模型其预测精度会有一定程度的提高。
【学位授予单位】：华北电力大学（北京）
【学位级别】：博士
【学位授予年份】：2011
【分类号】：F830.91;F224
【图文】：

部或部分输入，并根据激活函数的形式产生相应的输出。多层的神经网络是非常强的，一般来讲，一个三层的神经网络就可以用来模拟任何函数(必须是连续有界的)。图2一1是单隐层BP网络。输出层连接权簿含层连接权输人层图2一IBP神经网络Fig.2一 1.StructureofBPBP算法是一种以梯度法为基础的搜索算法。在算法的实现上，充分体现了神经网络并行处理的特点。BP网络的学习算法可描述如下:(l)初始化网络及学习参数，即将隐含层和输出层各节点的连接权值、神经元阀值赋予(一1，l)区间的随机数，将各学习参数设定为合适的值;(2)提供训练模式，即从训练模式集合中选出一个训练模式，将其输入模式和期望输出送入网络;

一般是小样本量预测，因此，适用于对预测对象进行短期预测。2实证比较为了进一步对统计类预测模型和智能类预测模型进行比较，在本部分，将用的方法对GARCH模型和BP神经网络模型预测结果进行比较分析。在实证分，选择单一指标预测和多指标预测两种方式。在每种方式中，又进一步选择小、大样本和组合模型三种情形进行预测分析。通过对预测结果进行比较和分析测两种模型在股指预测上的优劣。2.1单一指标预测.1.11】、样本预测比较在这一部分，选取2009年10月23号至2009年12月3号总计30个交易日证综指为输入数据，建立GARCH模型和BP模型;对2009年12月4号至212月17号总计10个交易日的上证综指进行预测。结果如下:

【引证文献】

相关硕士学位论文 前1条

1 梁子进;基于数据挖掘的指数跟踪问题研究[D];浙江大学;2013年

本文编号：2741979