基于EMD-BPNN的股票价格预测研究

发布时间：2025-03-18 00:56

　　金融市场是一个具有显著不稳定和非线性等特性的复杂动力学系统,其外在表现为金融时间序列。量化分析金融时间序列,尽可能挖掘其隐藏的现实信息,可以为政策制定和投资者决策提供重要参考。经验模态分解(Empirical Mode Decomposition,EMD)对于处理非线性和非平稳信号具有独特优势,同时人工神经网络具有强大的非线性处理和分析能力。本文综合利用EMD和BP神经网络(Back Propagation Neural Network,BPNN)的优势,先基于EMD算法对上海证券交易所四只股票的波动走势进行分析。然后利用EMD对股票数据进行分解,再对分解的IMFs实施重构,并搭建BP网络模型,对重构后的数据进行短期收盘价预测。本文所开展的工作及取得的主要结果如下。首先,以上海证券交易所的上证综合指数、贵州茅台、中国平安、工商银行等四只股票的每日收盘价作为研究对象。在建模预测前,先对原始股价序列进行探索性分析把握数据的总体特征,然后检查研究样本数据是否具有平稳性和记忆性。结果表明:四只预测样本均具有非平稳性和长记忆性的特点。在此基础上,对数据实施基于EMD的平稳化处理。进而结合IMFs分...

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图1-1论文技术路线图

根据前文所述,本文的研究思路主要分为两个部分,一是对原始股票收盘价序列进行分析、分解,得到适于预测的分量数据,然后分别就原始数据和分量数据进行基于BPNN和SVR的股价预测,并对模型效果进行评价与比较。本文遵循“数据-方法-结论”的脉络展开有关研究工作。其中围绕数据展开的研究内容....

图2-1 EMD分解示意图

为了更直观地解释EMD分解过程,本文引用希尔伯特黄变换的综述性论文(Huang,2008)中的一组图(图2-1)来进行说明。图2-1a中曲线为原信号,求出其极大值点(菱形)和极小值点(圆圈)得到图2-1b,接下来用三次样条函数拟合极大值点组成的信号的上包络线和由极小值点三次样条拟....

图2-2 BP神经网络算法流程图

图2-2直观地反映了BP神经网络的算法流程。本文预期利用股票收盘价时间序列的前期数据来预测其未来的收盘价,而这样的预测模型需要满足两个条件:一是研究的时间序列具有记忆性。此时时间序列的当前值是显著依赖于其过去的,那么也就可以通过当前已知的时间序列预测其未来。二是该时间序列具有平稳....

图3-1上证综指每日收盘价时序图

具体数据为:上证综指上市日(1990年12月19日)到2020年12月25日的每日收盘价,共7339个数据,该数据主要用于股票数据探索的实证研究及其EMD分解。另外,用于预测的上证综指及三只龙头股票的研究区间均为2018年1月2日至2020年12月25日的每日收盘价序列,时间跨度....

本文编号：4035742