基于回声状态网络的短期股价预测模型研究

发布时间：2017-07-27 06:13

  本文关键词：基于回声状态网络的短期股价预测模型研究

  更多相关文章： 短期股价预测 ESN KMeans GSA

【摘要】：股票在国民经济中扮演着重要角色。对国民经济而言,如何保持股市稳定、避免发生股灾是我国相关人员需要考虑的问题。对投资者而言,如何规避风险,使获利最大化是投资者日夜思考的问题。因此,对股票价格进行预测从而做出最优决定就显得十分必要。我国的股票市场是一个非常复杂的非线性系统,许多研究人员采用神经网络的非线性方法进行股票价格预测并取得了不错的效果。但是使用传统神经网络进行股价预测时存在训练过程复杂等问题。此外,股票价格受多种因素影响,使得股价表现出不同走势,导致单一模型很难满足预测要求。同时,大多股价预测模型缺乏地区行业通用性,即每次对一只股票进行预测必须为该股票建立单独的模型,且该单独模型只包含该只股票的信息,并没有包含与该只股票处于同一地区同一行业的其余股票信息,这使得单独模型不能涵盖影响该只股票价格的所有因素,导致预测精度不高,预测过程繁琐复杂。针对我国目前大多股价预测模型缺乏地区行业通用性及神经网络训练过程复杂的问题,本文使用ESN建立基于上海地区房地产行业的短期股价预测通用模型,简化了训练过程,模型训练好后可预测上海地区房地产行业内任意股票,且与用某只股票建立的单独模型相比,该通用模型的预测精度明显提高。针对短期股票价格预测方法中使用单一非线性模型预测效果不理想,本文在通用模型基础上提出基于KMeans-ESN的短期股价预测上海地区房地产行业通用模型。通过选取不同的聚类指标,本文详细提出了基于数据波动性聚类的KMeans-ESN短期股价预测上海地区房地产行业通用模型和基于数据波动性及变化趋势聚类的KMeans-ESN短期股价预测上海地区房地产行业通用模型,并将三类模型进行了对比。通过聚类和对比实验得出ESN、基于数据波动性聚类的KMeans-ESN、基于数据波动性及变化趋势聚类的KMeans-ESN这三种模型分别适合的数据类型。同时,由于回声状态网络很多初始参数需要预先设定,而这些参数设置需有一定经验的研究人员或通过试凑确定,针对这两种方法需要人工干预、耗时、效率低等存在的不足,本文使用GSA对ESN模型进行优化,使用GSA从单值收缩因子和谱半径优化、多值收缩因子和谱半径优化两个角度对ESN参数进行寻优,并探讨每个角度下GSA适应值函数的选取。结果表明,GSA对单值收缩因子和谱半径优化的优化效果比GSA对按维多值收缩因子和谱半径优化的优化效果好；使用10折交叉验证训练误差均值与测试误差均值的均值作为GSA的适应值函数最佳。
【关键词】：短期股价预测 ESN KMeans GSA
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F832.51;TP18
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-16
• 1.1 研究背景与意义11-12
• 1.2 国内外研究现状12-14
• 1.2.1 股价预测国外研究现状12-13
• 1.2.2 股价预测国内研究现状13-14
• 1.3 本论文研究内容及章节安排14-16
• 1.3.1 本论文研究内容14-15
• 1.3.2 本论文章节安排15-16
• 第2章 股价预测相关理论与方法16-24
• 2.1 股票价格的影响因素16
• 2.1.1 主观因素16
• 2.1.2 客观因素16
• 2.2 股价预测的相关指标16-17
• 2.3 股价预测常用的基本方法17-19
• 2.3.1 基本分析法17
• 2.3.2 技术分析法17-18
• 2.3.3 时间序列分析法18
• 2.3.4 人工智能算法18-19
• 2.4 回声状态网络介绍19-23
• 2.4.1 ESN原理19-20
• 2.4.2 ESN关键参数20-21
• 2.4.3 ESN预测算法的流程21-23
• 2.5 本章小结23-24
• 第3章 基于KMeans-ESN的短期股价预测通用模型24-45
• 3.1 引言24-25
• 3.2 基于 ESN的短期股价预测通用模型25-31
• 3.2.1 本文假设条件25
• 3.2.2 基于ESN上海房地产行业通用模型建立25-27
• 3.2.3 实验结果及分析27-31
• 3.3 基于KMeans-ESN的预测模型介绍31-33
• 3.3.1 KMeans简介31-32
• 3.3.2 模型基本思想32
• 3.3.3 聚类指标及KMeans相关参数32-33
• 3.4 基于波动性聚类的KMeans-ESN预测模型33-37
• 3.4.1 聚类指标选取33
• 3.4.2 实验结果及分析33-37
• 3.5 基于波动性及变化趋势聚类的KMeans-ESN预测模型37-43
• 3.5.1 聚类指标选取37-38
• 3.5.2 实验结果及分析38-43
• 3.6 实验结果及分析43-44
• 3.7 本章小结44-45
• 第4章 基于GSA的ESN模型优化45-63
• 4.1 引言45
• 4.2 GSA-ESN模型45-51
• 4.2.1 GSA介绍45-49
• 4.2.2 GSA-ESN模型原理及适应值函数介绍49-51
• 4.3 基于GSA的单值收缩因子和谱半径优化51-56
• 4.3.1 单值收缩因子和谱半径优化51
• 4.3.2 实验结果及分析51-56
• 4.4 基于GSA的按维多值收缩因子和谱半径优化56-61
• 4.4.1 按维多值收缩因子和谱半径优化56
• 4.4.2 实验结果及分析56-61
• 4.5 实验结果及分析61-62
• 4.6 本章小结62-63
• 结论与展望63-65
• 结论63-64
• 进一步工作64-65
• 致谢65-66
• 参考文献66-70
• 攻读硕士学位期间发表的论文及科研成果70

【相似文献】

中国期刊全文数据库 前3条

1 陈永康,刘涛,练秋慧;中国首个统一股价指数—沪深300指数[J];华南金融电脑;2005年09期

2 冯家诚;马锐;;基于神经网络型数据挖掘技术的股价预测[J];计算机应用;2009年S1期

3 ;[J];;年期

中国重要会议论文全文数据库 前2条

1 邹艳芬;;股价指数的综合影响因素动态模型分析[A];江苏省现场统计研究会第九次学术年会论文集[C];2004年

2 侯建荣;黄丹;顾锋;;基于分形时变维数变化的股价突变动力学特征研究[A];第十届中国管理科学学术年会论文集[C];2008年

中国重要报纸全文数据库 前10条

1 深圳证券交易所综合研究所 肖立见　王晓津;2008年全球股市暴跌的六大特征[N];证券时报;2009年

2 文兴;成功炒股之九技[N];证券时报;2011年

3 田舍;美国股价跌向五年来低点[N];国际商报;2003年

4 田舍;就业攀升美欧股市上扬[N];国际商报;2003年

5 记者　　陈晓刚　;亚太股市劲舞“五·一九”[N];中国证券报;2005年

6 记者 齐士扬;美股反弹 金价走低[N];证券日报;2003年

7 曼氏金融（新加坡）私人有限公司高级副总裁 Andrew Lu;由国际市场看股价指数期货的操作[N];期货日报;2006年

8 金元期货 冯伟民;数字背后的投资哲理[N];证券时报;2007年

9 本报记者 吴心韬;亚太股市先抑后扬[N];中国证券报;2010年

10 ;台湾股市暴涨275.25点[N];中华工商时报;2002年

中国博士学位论文全文数据库 前4条

1 金涛;利率、股价和汇率关联的实证研究[D];江西财经大学;2010年

2 连端清;股价变动与上市公司固定资本投资研究[D];复旦大学;2009年

3 韩士专;噪声背景下的股市反馈机制研究[D];华南师范大学;2004年

4 刘　勇;中国股价行为金融计量研究[D];东北财经大学;2005年

中国硕士学位论文全文数据库 前10条

1 何玲;股价指数与股价背离的实证分析[D];湖南师范大学;2005年

2 张斌;基于回声状态网络的短期股价预测模型研究[D];西南交通大学;2016年

3 刘艳奇;银行股票同步性的测度与影响因素研究[D];西南交通大学;2016年

4 王思惠;股价“同辈效应”与中国上市公司投资决策研究[D];广西大学;2016年

5 刘新华;中国A股市场股价指数动态研究[D];南京农业大学;2009年

6 张颖;中国股价指数实证研究[D];东北财经大学;2003年

7 赖国伟;沪深证交所流通A股股价指数的实证研究[D];厦门大学;2001年

8 李晓露;国际板对A股股价的影响研究[D];辽宁大学;2012年

9 陈艳;我国股价行为理论及实证分析[D];湖南大学;2005年

10 朱正;中国股价与房价动态关系研究[D];湖南大学;2010年

，

本文编号：580116