基于小波多分辨分解的股价波动分频组合预测

发布时间：2021-07-16 13:04

　　金融股票市场是一个极其复杂的演化系统,准确揭示其内在规律往往十分困难,但股价波动不仅预示着经济的发展情势,而且牵动着投资者的切身利益。早些年业界主要尝试用单一的模型来把握股价波动,比较常用的有ARIMA、GARCH、SVM、神经网络等,这些方法可以在一定程度上刻画出股价的起伏规律,但预测精度和模型性能还有待提高,因此渐渐有学者把关注焦点投向组合方法,以期探索出效果更好的预测模型。本文也尝试在组合预测方向上做出努力。文章首先对证券市场的可预测性进行了阐述,根据有效市场假说,市场只有在非效率条件下运用数量模型预测分析才具有价值,基于此,一些研究工作对我国股市有效性进行了验证,得出市场未达弱式有效的一致结论。其次介绍了股票价格预测中存在的难题,不确定性、高噪声干扰、信息杂糅等问题是股价不易精准预测的根源,本文就成份杂糅这一难点,引入小波分析、ARIMA模型、BP神经网络组合解决。小波分析能够将股价数据投影至各个尺度空间,进而实现各频率成份信号的有效分离,而ARIMA模型是时序分析中的经典选择,在线性趋势预测时具有不可比拟的优势,BP神经网络具有较强的自学习和非线性拟合能力,应用领域也十分广泛... 

【文章来源】：江西财经大学江西省

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

Mallat算法分解过程图

Mallat重构过程图

BP神经网络基本结构图

【参考文献】：
期刊论文
[1]支持向量机对股票价格涨跌的预测[J]. 张建宽,盛炎平.  北京信息科技大学学报(自然科学版). 2017(03)
[2]基于自适应遗传算法优化的BP神经网络股票价格预测[J]. 郝继升,任浩然,井文红.  河南科学. 2017(02)
[3]基于GARCH模型和VAR模型的中国股票市场实证分析——以深圳成分指数为例[J]. 李行.  时代金融. 2017(02)
[4]基于ARIMA模型的短期股票价格预测[J]. 吴玉霞,温欣.  统计与决策. 2016(23)
[5]BP神经网络在股票指数预测中的应用[J]. 黄宏运,吴礼斌,李诗争.  通化师范学院学报. 2016(10)
[6]基于近邻互信息的SVM-GARCH股票价格预测模型研究[J]. 张贵生,张信东.  中国管理科学. 2016(09)
[7]中国股票市场的预判研究——基于上证综指变动分析[J]. 曹达宇.  质量探索. 2016(06)
[8]小波分析下的神经网络股票预测研究[J]. 孙冰洁,唐瑞,左毅,黄明和.  计算机与数字工程. 2016(06)
[9]基于多尺度分析的小麦价格预测研究[J]. 王书平,朱艳云.  中国管理科学. 2016(05)
[10]基于ARMA-GARCH模型的股票价格分析与预测[J]. 杨琦,曹显兵.  数学的实践与认识. 2016(06)

硕士论文
[1]基于数据挖掘的指数化投资组合优化的比较研究[D]. 武金存.河北经贸大学 2011



本文编号：3287065