模糊时间序列的股指期货价格预测方法研究

发布时间：2017-03-18 09:02

  本文关键词：模糊时间序列的股指期货价格预测方法研究，，由笔耕文化传播整理发布。

【摘要】：在现实世界中,许多数据本身存在不完整、不准确和含糊性,尤其是金融数据,用经典的时间序列预测会导致拟合效果下降。期货市场较为复杂,股指期货作为现代资本市场的产物,受到各种内外因的影响,股指期货精确的收盘价记录可能会丢失部分有用的信息,因此引入模糊时间序列模型,得到更高效率、更精确的预测结果。考虑数据的可得性和完整性,本文选取2011年1月4日至2015年11月12日的股指期货连续日收盘价作为研究对象,首先运用经典的时间序列ARIMA模型进行预测,再根据三种经典的模糊时间序列Song、Chen和Lee的方法估计观测值。经过上述研究,改进原有的模糊时间序列方法,在计算隶属度矩阵时引入非参数高斯核函数,调节最优的窗宽,改变各个模糊集的权重;将一阶模糊时间序列转换为二阶,即考虑t,t-1,t-2期样本数据的隶属模糊集;在计算关系矩阵时引入马尔科夫模型,将关系矩阵转化为转移概率矩阵,用加权方法计算预测值。本文首先对模糊时间序列相关模型进行了深入的研究阐述,主要有模糊集理论,模糊时间序列发展现状、研究综述、模型理论,ARIMA模型理论,马尔科夫链模型,非参数高斯核函数。然后根据模型理论,通过R软件编程,分别用三种模糊时间序列方法和改进的模型进行估计,利用EViews进行ARIMA模型预测,最终得到近一个月交易日的预测数据。其中,Song和Lee的模糊时间序列模型预测误差在2%以上的有20个样本,占83.33%;Lee的模糊时间序列模型预测误差在2%以上的有10个样本,占41.67%;ARIMA模型误差在2%以上的有4个样本,占16.67%;二阶马尔科夫模糊预测误差在2%以上的有2个样本,只占8.33%。证明改进的基于马尔科夫链的模糊时间序列模型预测效果较好,均优于其他4种模型,为模糊时间序列的发展提供了一种新的思路,同时拓宽了模糊时间序列的应用方向。
【关键词】：模糊时间序列 马尔科夫链 非参数高斯核函数 ARIMA模型
【学位授予单位】：首都经济贸易大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F224;F830.9
【目录】：

• 摘要4-5
• Abstract5-9
• 1 导论9-16
• 1.1 研究背景及意义9-10
• 1.2 相关研究综述10-13
• 1.2.1 模糊时间序列国内外研究现状10-13
• 1.3 研究主要内容13-14
• 1.3.1 研究思路13
• 1.3.2 研究方法13-14
• 1.3.3 研究步骤14
• 1.4 本文的结构安排与创新14-16
• 1.4.1 本文的结构安排14-15
• 1.4.2 本文的创新15-16
• 2 相关理论及建模分析16-34
• 2.1 股指期货基本理论16-19
• 2.1.1 股指期货的概念16
• 2.1.2 股指期货发展历程16-17
• 2.1.3 股指期货价格有效性理论17-18
• 2.1.4 理论分析18-19
• 2.2 时间序列理论19-24
• 2.2.1 时间序列相关概念19-20
• 2.2.2 ARIMA模型理论基础20-24
• 2.2.3 理论分析24
• 2.3 模糊时间序列模型理论24-28
• 2.3.1 模糊集合理论24-26
• 2.3.2 模糊时间序列定义26
• 2.3.3 模糊时间序列预测模型26-27
• 2.3.4 理论分析27-28
• 2.4 马尔科夫链模型理论28-30
• 2.4.1 马尔科夫链模型的发展28
• 2.4.2 马尔科夫链的相关概念28-29
• 2.4.3 理论分析29-30
• 2.5 非参数估计理论30-34
• 2.5.1 非参数估计方法30-32
• 2.5.2 核密度估计32-33
• 2.5.3 理论分析33-34
• 3 股指期货价格预测方法的实证研究34-44
• 3.1 ARIMA模型实证研究34-38
• 3.1.1 数据的来源与描述34
• 3.1.2 序列的平稳性处理34-35
• 3.1.3 模型的识别与建立35-36
• 3.1.4 模型的预测36-38
• 3.2 模糊时间序列模型实证研究38-44
• 3.2.1 经典模糊时间序列模型基本框架38-40
• 3.2.2 经典模糊时间序列模型实证应用40-44
• 4 模型优化设计与应用44-49
• 4.1 基于马尔科夫链的模糊时间序列模型44-46
• 4.2 优化模型应用46-47
• 4.3 各模型误差结果比较47-49
• 5 结论与展望49-51
• 5.1 研究结论49
• 5.2 研究展望49-51
• 参考文献51-54
• 附录： R Codes54-58
• 后记58-59
• 在学期间发表的学术论文及研究成果59-60

【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 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

8 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

9 周勇;时间序列时序关联规则挖掘研究[D];西南财经大学;2008年

10 张勇;时间序列模式匹配技术研究[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

  本文关键词：模糊时间序列的股指期货价格预测方法研究，由笔耕文化传播整理发布。

本文编号：254195