基于隐马尔可夫模型与支持向量机的股票价格预测实证研究

发布时间：2020-04-19 22:54

【摘要】：股票价格看起来具有很强的不确定性,但是国家政策、行业信息以及公司财务指标等情况都会影响到股票市场的趋势。根据这一特征,如果投资者能够了解到这些情况是如何影响股价变动的,就能够减少因股价不确定性的大波动导致的投资带来的损失,甚至是获得意想不到的收益效果。对于政府来说,进行股价去世的预测也是政府进行宏观经济调控,预防突发状况的方面之一。因此如果能够对股市进行事先的分析预测,无论对投资者、企业、投资机构还是政府相关政策的制定都具有重大的现实意义。随着金融大数据时代的到来,金融量化分析在我国未来金融市场中的应用将发挥越来越重要的作用。本文基于沪深300股票价格指数,使用隐马尔可夫模型以及支持向量机模型进行建模。本文实证过程主要包括选取合适时间段的股票相关数据、最优预测因子组合确定、对模型参数训练以及对测试集回归预测等步骤。本文一开始引用多日加权的隐马尔可夫模型对沪深300指数价格进行预测,通过实验结果对比分析,确定使用10日加权隐马尔可夫预测模型进行接下来的研究。接下来使用10日加权隐马尔可夫预测模型在120个预测因子的组合中进行预测,根据预测的效果选择不同梯度的预测因子组合。然后在不同梯度的预测因子下,运用支持向量回归模型预测股价。我们选择高斯核作为支持向量机的核函数,因此在进行预测之前我们要先确定高斯核函数的参数g以及支持向量机的惩罚参数C,参数的确定方法本文选择交叉验证的方法,让C和g在一定的范围里跑(比如C= 2-5,2-4,...,25,g=2-5,2-4,...,25),然后选择预测准确率最高的但C最小的那组C和g作为最优参数。确定好最优参数后使用滚动预测的方法进行股价预测,即若预测第t日收盘价,则以第t-30(40、60)日至第t-1日的日交易数据为训练集,以第t-29(39、59)日至第t日的日交易数据为测试集,这样反复滚动预测。之后我们再利用均方误差(MSE)和平方相关系数(DS)评价预测结果。从结果中我们可以发现在对不同天数进行预测时,40天往往是最优预测天数,而且HMM模型得出的最优预测因子的组合(成交量,MA10,MA60)在支持向量回归模型中也有非常良好的表现,它们的表现甚至超过了以开盘价、最高价、最低价为特征向量的预测结果。本文所得的实证结果均是在特定条件、特定对象以及特定时间下得到的,因此对于模型的适用性本文尚未做分析。在具体进行投资分析时,还是应该具体情况具体分析,以保证预测的准确性。
【图文】：

逦ＳＯ逡逑图２－１单日预测值与实际值对比逡逑从图２－１可以看出，单日预测方法使预测值在大体趋势上能够较好地拟合实逡逑际值，但也可以看出，在某些具体日期的预测上，实际值与预测值的差距还是较逡逑大的。这很可能是因为单日预测很容易受到一些随机因素的影响。没有更有效地逡逑控制随机性的影响。因此需要更为精确的方法降低随机性的影响，因此接下来使逡逑用多日加权平均的预测方法。逡逑五彳日预r>对比逡逑３５００邋逦■逦，逦１逦！逦＇逦逡逑逦逡逑■逦Ｉ邋二：之丨－逡逑：穆r>％逡逑３０００－逦ｆ逦１彳博逡逑２９００邋－逦！逦－逡逑Ｉ逡逑２＿１逦？逦１逦ｊ逦逦逦１逦逡逑０逦１０逦２０逦３０逦４０逦５０逦５０逡逑图２－２邋５日与１０日预测值与实际值对比逡逑从上图可以看出５日预测与１０日预测相较于单日预测，，预测准确度有所提逡逑２３逡逑

逦４０逦ＳＯ逡逑图２－１单日预测值与实际值对比逡逑从图２－１可以看出，单日预测方法使预测值在大体趋势上能够较好地拟合实逡逑际值，但也可以看出，在某些具体日期的预测上，实际值与预测值的差距还是较逡逑大的。这很可能是因为单日预测很容易受到一些随机因素的影响。没有更有效地逡逑控制随机性的影响。因此需要更为精确的方法降低随机性的影响，因此接下来使逡逑用多日加权平均的预测方法。逡逑五彳日预r>对比逡逑３５００邋逦■逦，逦１逦！逦＇逦逡逑逦逡逑■逦Ｉ邋二：之丨－逡逑：穆r>％逡逑３０００－逦ｆ逦１彳博逡逑２９００邋－逦！逦－逡逑Ｉ逡逑２＿１逦？逦１逦ｊ逦逦逦１逦逡逑０逦１０逦２０逦３０逦４０逦５０逦５０逡逑图２－２邋５日与１０日预测值与实际值对比逡逑从上图可以看出５日预测与１０日预测相较于单日预测，预测准确度有所提逡逑２３逡逑
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F832.51

【相似文献】

相关期刊论文 前10条

1 刘洁彬;宋茂强;赵方;杨志宇;;基于上下文的二阶隐马尔可夫模型[J];计算机工程;2010年10期

2 卢微;;隐马尔可夫模型在自然语言理解研究中的应用[J];电脑与信息技术;2007年01期

3 张慧丽;;基于混合二阶隐马尔可夫模型的基因结构预测[J];电脑知识与技术(学术交流);2007年14期

4 陈茂林,戚飞虎;自组织隐马尔可夫模型的人脸检测研究[J];计算机学报;2002年11期

5 王锁萍;徐思均;郑元成;;应用矢量量化技术与隐马尔可夫模型进行话者辨认[J];南京邮电学院学报;1987年04期

6 王旷羽;;基于隐马尔可夫模型在股票择时上的应用与研究[J];电脑编程技巧与维护;2018年04期

7 孙浩天;关欣;咸静;李锵;;基于隐马尔可夫模型的单音及和弦钢琴指法自动标注（英文）[J];复旦学报(自然科学版);2018年03期

8 黄岗;;马尔可夫及隐马尔可夫模型的应用[J];电子设计工程;2013年17期

9 李胜现;田东平;刘建华;;基于改进隐马尔可夫模型的网络动态风险评估[J];现代电子技术;2011年03期

10 杜旭;凌捷;罗雄昌;;基于隐马尔可夫模型的网络入侵检测方法[J];计算机应用与软件;2008年03期

相关会议论文 前10条

1 史笑兴;王太君;何振亚;;论二阶隐马尔可夫模型与一阶隐马尔可夫模型的关系[A];第九届全国信号处理学术年会（CCSP-99）论文集[C];1999年

2 吴志强;陈珂;迟惠生;;基于隐马尔可夫模型的有限词汇集内与文本无关的说话人辨认的研究[A];第四届全国人机语音通讯学术会议（NCMMSC1996）论文集[C];1996年

3 李玉猹;;半隐马尔可夫模型[A];科技、工程与经济社会协调发展——中国科协第五届青年学术年会论文集[C];2004年

4 徐毅琼;李弼程;王波;;隐马尔可夫模型在人脸检测与识别中的应用[A];现代通信理论与信号处理进展——2003年通信理论与信号处理年会论文集[C];2003年

5 吴成东;柴佩琪;;基于分类的隐马尔可夫模型的声母识别[A];第一届全国人机语音通讯学术会议（NCMMSC1990）论文集[C];1990年

6 赵立宏;邓骞;;基于隐马尔可夫模型的核设施故障诊断[A];中国核科学技术进展报告（第二卷）——中国核学会2011年学术年会论文集第9册（核医学分卷、核技术工业应用分卷）[C];2011年

7 邢颖;南敬昌;;基于隐马尔可夫模型的人脸检测与识别系统[A];2009年中国智能自动化会议论文集（第三分册）[C];2009年

8 俞鸿魁;张华平;刘群;吕学强;施水才;;基于层叠隐马尔可夫模型的中文命名实体识别[A];全国网络与信息安全技术研讨会'2005论文集（下册）[C];2005年

9 朴元斯;袁运能;;基于小波域隐马尔可夫模型的无监督遥感图像分割[A];全国第十届信号与信息处理、第四届DSP应用技术联合学术会议论文集[C];2006年

10 徐东风;周萍;景新幸;;改进隐马尔可夫模型的非线性分段技术应用[A];中国声学学会2007年青年学术会议论文集（下）[C];2007年

相关博士学位论文 前10条

1 李杰;隐马尔可夫模型的研究及其在图像识别中的应用[D];清华大学;2004年

2 葛愿;基于隐马尔可夫模型的网络化控制系统建模与控制[D];中国科学技术大学;2011年

3 夏丽莎;基于隐马尔可夫模型的故障诊断及相关算法研究[D];华中科技大学;2014年

4 王金芳;隐马尔可夫模型平滑估计理论及其在压制地震资料随机噪声中的应用[D];吉林大学;2009年

5 杨辰雨;语音合成音库自动标注方法研究[D];中国科学技术大学;2014年

6 田勇;多分辨率隐马尔可夫模型图像去噪研究[D];兰州大学;2009年

7 薛继国;基于眼动和脑电的心理旋转认知机制研究[D];中国人民解放军军事医学科学院;2017年

8 蔡明琦;融合发音机理的统计参数语音合成方法研究[D];中国科学技术大学;2015年

9 盛志冬;卫星太阳能电池阵的效能及可靠性分析与评估[D];中国科学技术大学;2017年

10 吕俊杰;采用智能方法的可变剪接调控机制与相关疾病研究[D];哈尔滨工程大学;2012年

相关硕士学位论文 前10条

1 张璇;基于隐马尔可夫模型与支持向量机的股票价格预测实证研究[D];山东大学;2019年

2 李文阳;基于Kinect v2的跌倒行为检测与分析[D];北方民族大学;2019年

3 张晴;基于隐马尔可夫模型的网络安全态势预测方法研究[D];河北师范大学;2019年

4 王飞;改进初值Π隐马尔可夫模型预测电池剩余寿命研究[D];哈尔滨理工大学;2018年

5 韩立涛;考虑云遮挡的光伏超短期功率预测研究[D];华北电力大学(北京);2018年

6 徐林会;基于隐马尔可夫模型与语义融合的文本分类研究[D];辽宁工程技术大学;2017年

7 耿仕勋;基于隐马尔可夫模型的复合式攻击预测方法研究[D];河北师范大学;2018年

8 钟将;基于连续隐马尔可夫模型的故障预测算法研究[D];北方工业大学;2018年

9 蔡斯凡;基于隐马尔可夫模型的自动化伴奏系统[D];贵州师范大学;2018年

10 龙潭;基于隐马尔可夫模型的视频事件检测方法研究[D];华中科技大学;2016年

本文编号：2633828