基于逐步回归分析的组合神经网络股指预测研究

发布时间：2017-03-31 04:06

  本文关键词：基于逐步回归分析的组合神经网络股指预测研究，，由笔耕文化传播整理发布。

【摘要】：证券市场千变万化,但在变化中往往隐藏着内在客观规律。本文尝试探求证券价格波动的变化规律,从而在某种程度上实现对价格的预测。但是对证券价格的预测是异常艰巨的,因此这项工作也非常有价值。在大多数的预测模型中,由于宏微观经济形势的不稳定与多变性,单个预测模型往往与实际的证券价格存在较大的误差。而组合预测模型在直面这一事实的基础上,通过将各种单项模型组合起来,对其有用的信息片段进行集成,分散了单项预测模型自身的不确定性,进而改善了预测效果。本文采用了三种神经网络模型(RBF、BP和GRNN),从非线性的角度对沪深300指数进行拟合和预测,然后建立最优组合预测模型来集合这三种单项模型的有用信息,从而实现对股指走势的预测。本文分为三部分:在第一部分,本文详细介绍了单项预测模型和它的应用,为后续章节奠定基础;第二部分系统介绍了组合预测的理论及方法,同时分别对三种神经网络(RBF、BP、GRNN)单项模型进行介绍,并采用RBF、BP、GRNN这三种单项模型建立最优组合预测模型;在第三部分,本文将最优组合预测模型与单项预测模型的预测效果进行对比分析。本文的主要研究了如下三项内容:(1)应用逐步回归分析对模型的输入数据进行预处理,筛选出与股指价格最相关的指标数据作为各个模型的输入数据,并采用RBF模型验证了该种数据筛选方法的有效性;(2)以RBF、BP和GRNN模型为基础,利用最小化绝对相对误差和为目标函数,同时联合前几期单项模型的预测数据,建立组合预测模型,从而对3个单项模型进行赋权。(3)对组合预测的变权重问题进行了初步探讨。实证表明:逐步回归分析确实能有效实现对模型输入数据的筛选,选出与股指价格最相关的变量作为输入变量;最优组合模型确实能组合和集成各个单项模型中的有效信息并加以利用,进而改善预测效果;在短期预测中,与不变权重最优组合预测模型相比,变权重最优组合预测模型的预测精度并无显著提高。
【关键词】：组合预测 逐步回归分析 RBF神经网络 BP神经网络 GRNN网络
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F832.51;F224
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-20
• 1.1 研究背景与问题提出9-11
• 1.1.1 研究背景9-10
• 1.1.2 问题提出10-11
• 1.2 研究目的与意义11-12
• 1.2.1 组合神经网络股指预测的研究目的11-12
• 1.2.2 组合神经网络股指预测的研究意义12
• 1.3 国内外研究现状及其评述12-18
• 1.3.1 神经网络预测的国内外研究现状13-16
• 1.3.2 组合预测方法的国内外研究现状16-17
• 1.3.3 国内外研究现状评述17-18
• 1.4 研究内容与研究方法18-20
• 1.4.1 研究内容18
• 1.4.2 研究方法18-20
• 第2章 单项预测模型和组合预测模型的理论框架20-34
• 2.1 RBF神经网络分析方法20-23
• 2.1.1 RBF神经网络结构及其特点20-22
• 2.1.2 RBF学习算法22-23
• 2.2 BP神经网络分析方法23-26
• 2.2.1 BP神经网络结构及其特点23-24
• 2.2.2 BP网络学习算法24-26
• 2.3 GRNN神经网络分析方法26-30
• 2.3.1 GRNN网络结构及其特点26-28
• 2.3.2 GRNN网络基本算法28-29
• 2.3.3 光滑因子的确定方法29-30
• 2.4 组合预测理论模型及其修正30-33
• 2.4.1 最优组合预测模型的基本原理与特点30-32
• 2.4.2 最优组合预测模型的修正32-33
• 2.5 本章小结33-34
• 第3章 最优组合预测模型的构建及数据的预处理34-41
• 3.1 最优组合预测模型的构建34-36
• 3.2 预测效果评价指标体系的设计36-37
• 3.3 数据的收集与输入变量的选取37-40
• 3.3.1 数据的收集与说明37-38
• 3.3.2 逐步回归分析方法说明38
• 3.3.3 输入变量的选取38-40
• 3.4 本章小结40-41
• 第4章 股指收盘价组合预测的实证研究41-57
• 4.1 RBF神经网络预测实证研究41-46
• 4.1.1 RBF神经网络用于股指预测的基本步骤41-42
• 4.1.2 RBF神经网络模型的设计42-43
• 4.1.3 模型步长的设计43-44
• 4.1.4 RBF神经网络预测结果分析44-45
• 4.1.5 逐步回归分析的有效性验证45-46
• 4.2 BP神经网络预测实证研究46-48
• 4.2.1 BP神经网络股指预测的模型设计46-47
• 4.2.2 BP神经网络预测结果分析47-48
• 4.3 GRNN神经网络预测实证研究48-49
• 4.3.1 GRNN神经网络股指预测的模型设计48-49
• 4.3.2 GRNN神经网络预测结果分析49
• 4.4 组合预测实证研究49-56
• 4.4.1 不变权重组合预测的步骤49-50
• 4.4.2 不变权重组合预测的结果分析50-53
• 4.4.3 变权重组合预测研究53-55
• 4.4.4 稳健性检验55-56
• 4.5 本章小结56-57
• 结论57-59
• 参考文献59-64
• 附录64-69
• 致谢69

【参考文献】

中国期刊全文数据库 前9条

1 余健;郭平;;基于AQPSO算法优化的RBF网络模型及应用研究[J];北京师范大学学报(自然科学版);2007年06期

2 李国平;;中国股票市场的可预测性研究[J];高职论丛;2006年03期

3 唐祥玲;王平;李思岑;白朝元;;基于方差-协方差组合预测的中长期电力负荷预测研究[J];电气技术;2015年01期

4 蔡红;陈荣耀;;基于PCA-BP神经网络的股票价格预测研究[J];计算机仿真;2011年03期

5 俞国红;杨德志;丛佩丽;;ARIMA和RBF神经网络相融合的股票价格预测研究[J];计算机工程与应用;2013年18期

6 韩春蕾;高婉君;;我国月度CPI的组合预测及分析[J];统计与决策;2014年01期

7 蒋传进;;组合预测中的预测精度与预测风险分析[J];统计与决策;2015年03期

8 孙李红;沈继红;;基于相关系数的加权几何平均组合预测模型的性质[J];系统工程理论与实践;2009年09期

9 王文波;费浦生;羿旭明;;基于EMD与神经网络的中国股票市场预测[J];系统工程理论与实践;2010年06期

  本文关键词：基于逐步回归分析的组合神经网络股指预测研究，由笔耕文化传播整理发布。

本文编号：278832