神经网络与证券选择

发布时间：2020-10-25 18:19

　　 本文利用数据挖掘技术研究证券市场的优化投资问题.论文分别从技术分析和基本分析两个角度,利用主成分分析与神经网络构建预测模型,研究证券市场的优化选择及其投资效率.首先,选取上海证券市场100家公司,利用其交易数据以及市场上有广泛应用的10种技术指标,借助主成分分析方法,去粗取精,得到反映市场规律的3个主因子,从而重构出市场运行的特征表示;其次,以得到的三个主成分作为神经网络的输入,股票收益作为网络输出,通过训练神经网络建立模型,用以证券选择;然后,用一组新数据检验了模型的有效性;最后,建立了证券组合的优化选择方法,并检验了方法的有效性.另一方面,为了确定中期投资的模型投资效率,本文从基本分析角度出发,利用11种财务数据,依据神经网络构建预测模型,最终的实证结果同样让人满意。
【学位单位】：郑州大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：F832.51;TP183
【部分图文】：

图１．３．１?ＢＰ网络拓扑结构??１．３．２?ＢＰ神经网络的训练过程??网络的训练过程分为信息的正向传递和误差的反向传播两个过程．正向传递时，输样本信息从输入层传入，经隐层逐层处理后，传至输出层．若输出层的实际输出与期望出不符，就转入误差的反向传播阶段，此时传播的对象是误差．误差反传就是将输出误以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，即调整权值过程如下：??１．信息的正向传递??（１）隐层中第ｊ个神经元接收到的信息和??ｎ??ｎｅｔｊ?＝?ｊ?＝?１，２，?？？？?，ｍ；?（１．３．１）ｉ＝ｌ??隐层第ｊ个神经元的输出??

因为我们的预测目标是使用本季度的财务数据预测下一个季度的股需要下载这１００支股票各自相应时间的季收盘价，分别存放于对应的文ｌｓ－１１００．ｘｌｓ的Ｅｘｃｅｌ表中，便于我们后期的调用．??主成分分析??然，在上述得到的历史数据中，变量间存在一定的相关性，这使得观察到的度上有所重叠．如果直接将得到的数据信息输入神经网络进行预测，不但会成负担，还可能降低神经网络模型预测准确率和泛化能力．因此本文采用主对数据信息进行综合，期望用较少综合变量尽可能多的描述原有信息，并以络模型的输入．??面，以“牡丹江恒丰纸业股份有限公司”的数据为例，即Ｅｘｃｅｌ表１０．ｘｌｓ，详过程．以预处理后的标准数据矩阵作为主成分分析的原始数据矩阵，计算原相关阵／？．然后，借助ＳＰＳＳ给出？？牡丹江恒丰纸业股份有限公司”的碎石
【参考文献】

相关期刊论文 前5条

1 曲文龙;樊广佺;杨炳儒;;基于支持向量机的复杂时间序列预测研究[J];计算机工程;2005年23期

2 ;Application of Support Vector Machines Regression in Prediction Shanghai Stock Composite Index[J];Wuhan University Journal of Natural Sciences;2003年04期

3 马向前,万帼荣;影响我国股票市场价格波动的基本因素[J];山西统计;2001年01期

4 徐龙炳,陆蓉;R/S分析探索中国股票市场的非线性[J];预测;1999年02期

5 彭实戈;;1997年度诺贝尔经济学奖评介布莱克-斯科尔斯公式[J];科学;1998年02期

相关硕士学位论文 前1条

1 唐文慧;基于数据挖掘技术的股价预测实证分析[D];西南财经大学;2009年

本文编号：2855786