基于贝叶斯推断的HMM股价预测研究

发布时间：2020-05-07 03:57

【摘要】：股票价格的预测一直以来是研究的热点和难点。与国外相比,中国股市的变化更为复杂和剧烈。本文提出了一种新的组合模型BHMM(基于贝叶斯推断的HMM)进行预测,与传统的HMM相比,BHMM可以提供更为稳健的价格预测并使得HMM的模式预测更加有效。BHMM从三方面进行了改进。首先,BHMM通过贝叶斯推断对序列进行变长的划分。传统的HMM使用固定长度的训练窗口滑动建模,可能存在较多噪声数据;BHMM进行推断分割处理后,HMM仅对分割概率大于阈值的数据建模,减少了噪声。其次,BHMM采用了混合趋势预测法。BHMM在训练数据上使用多个定长窗口进行滑动,获取最佳拟合模型对应的下一个值的均值作为趋势预测值。通过多个窗口的趋势预测值和混合投票预测,获得了更好的覆盖率和准确率。最后,使用贝叶斯点估计和损失函数改进了HMM的股票价格预测。过去一般使用最匹配模式下一个值的变化作为预测值,误差率较大。BHMM以当前序列的均值和方差作为正态先验分布的均值和方差,HMM的概率密度函数作为似然函数,计算预测值的后验分布,并使用损失函数修正预测结果。与ARMA,LSTM以及传统的HMM的结果相比,BHMM更加稳定且具有更小的预测误差和更高的预测准确率。通过对上证指数等十支指数进行实验,获得了平均53.5%的准确率和16.4%的收益率,证明了BHMM的稳定性和有效性。
【图文】：

图 2-1 ARMA 阶数搜索Fig.2-1 Order search of ARMA定阶方法需要对可能的阶数组合进行穷举，当阶问题，，因此如果研究对象具有明显的长周期因素观察验证。一般情况下，用较低的阶数建模是合网络十年中，出现了两类影响力非常大的机器学习方概率图模型。其中神经网络模仿人类神经的结构类复杂的问题，尤其是非线性问题；而概率图模过概率来描述问题的不确定性，通过图结构来表是股价预测问题，故仅讨论这两大类模型中相关

图 2-2 RNN 单元结构Fig.2-2 Cell structure of RNNRNN 整体结构如图 2-3 所示，其结构非常简单，易于理解，但是在处理长期的问题上结果不理想。图 2-3 RNN 整体结构Fig.2-3 Overall structure of RNNLSTM 是 RNN 的一种改进结构，可以更有地效学习长期依赖信息。LST结构如图 2-4 所示，每个单元结构较为复杂，并且增加了乘法、加法操作和数。
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F830.91;O211.61

【参考文献】

相关期刊论文 前4条

1 汪金菊;吴燕飞;王杨;;基于HMM的VaR风险度量及其实证分析[J];合肥工业大学学报(自然科学版);2013年05期

2 胡淑兰;魏捷;黄晟;;基于HMM的中国股市状态转换及预测[J];统计与决策;2011年22期

3 余文利;廖建平;马文龙;;一种新的基于隐马尔可夫模型的股票价格时间序列预测方法[J];计算机应用与软件;2010年06期

4 朱嘉瑜;叶海燕;高鹰;;基于隐马尔可夫模型的股票价格预测组合模型[J];计算机工程与设计;2009年21期

相关博士学位论文 前3条

1 李嵩松;基于隐马尔可夫模型和计算智能的股票价格时间序列预测[D];哈尔滨工业大学;2011年

2 段江娇;基于模型的时间序列数据挖掘[D];复旦大学;2008年

3 杜修平;基于数据挖掘的证券态势估计系统[D];天津大学;2006年

相关硕士学位论文 前3条

1 黄冉;基于隐马尔科夫模型（HMM）的股票价格预测分析[D];青岛大学;2015年

2 龚健;基于隐马尔可夫链的证券价格模型及实证分析[D];复旦大学;2011年

3 商晔;隐马尔可夫模型参数训练的改进及在股市预测中的应用[D];上海交通大学;2011年

本文编号：2652398