基于小波分析和支持向量机算法的股指预测研究

发布时间：2021-03-14 08:36

　　股票市场建立以来,能否通过历史数据预测股票走势,并取得超额收益一直是投资者关心的核心问题。自Eugene Fama率先引入有效市场假说（Efficient Markets Hypothesis,EMH）以后,许多学者便开始对股票市场是否有效展开探究。如果股票市场是弱有效的,那么将历史数据输入预测模型,期望超越大盘,这种行为便是徒劳的。相关研究指出,股票市场本身是非线性混沌系统,在长期内无法预测,而进行短期预测则存在可行性。而传统的金融时间序列模型多基于平稳性、正态分布等统计学假设,构造线性计量方程,如ARIMA、GARCH等,但是由于股票市场的复杂性和多变性,这些假设往往跟实际不符,预测效果自然较差。随着数学、计算机等相关领域的发展,人们开始将人工智能算法引入股市预测,支持向量机算法便是其中非常典型的算法。支持向量机算法在处理非平稳、非线性等问题上具有较突出的优势,在股价预测方面效果良好。但是股票价格往往受到各种信息的干扰,含有较多的“噪声”,支持向量机算法无法排除这些噪声的干扰。而小波分析的引入,则能解决这个问题。小波分析同样是人工智能领域的常用算法,它能够将股价分解成若干细节信号和... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：95 页

【学位级别】：硕士

【部分图文】：

经验风险和置信范围

图2-2支持向量分类支持向量到超平面的距离为,不同类别的支持向量到超平面的距离之和为

映射关系示意图

【参考文献】：
期刊论文
[1]基于文本挖掘和机器学习的股指预测与决策研究[J]. 戴德宝,兰玉森,范体军,赵敏.  中国软科学. 2019(04)
[2]基于离散小波分解和支持向量机的股指组合预测[J]. 严骏宏.  统计与决策. 2017(03)
[3]基于PCA-FOA-SVR的股票价格预测研究[J]. 王卫红,卓鹏宇.  浙江工业大学学报. 2016(04)
[4]基于SVM修正的模糊时间序列模型在沪指预测中的应用[J]. 李小琳,孙玥,刘洋.  中国科学技术大学学报. 2016(03)
[5]我国外汇市场与股票市场间波动溢出效应实证研究——基于小波多分辨的多元BEKK-GARCH（1,1）模型分析[J]. 熊正德,文慧,熊一鹏.  中国管理科学. 2015(04)
[6]基于小波领袖多重分形分析法的股市有效性及风险检测[J]. 张林,李荣钧,刘小龙.  中国管理科学. 2014(06)
[7]组合预测模型在股指短期预测中的应用——以上证综合指数为例的实证分析[J]. 刘佳明,刘海滨.  中国商贸. 2014(05)
[8]基于小波变换的风险传染测度研究[J]. 梁经纬,刘金兰,柳洲.  统计与决策. 2013(08)
[9]ARIMA对我国上证指数的预测研究[J]. 刘云.  现代商贸工业. 2012(16)
[10]基于支持向量机的沪深300指数预测研究[J]. 叶园,何穗.  湖北师范学院学报(自然科学版). 2009(03)

硕士论文
[1]基于数据挖掘方法的股票预测系统[D]. 郝知远.南京理工大学 2017
[2]基于支持向量机的股价预测研究[D]. 朱磊.重庆工商大学 2016
[3]基于小波变换—机器学习算法的有效投资组合构建[D]. 刘俊锋.西南财经大学 2016
[4]奇异值分解熵对股票指数的预测力研究[D]. 曾莼.南京财经大学 2016
[5]基于支持向量机的股市预测[D]. 李悦.复旦大学 2014
[6]基于小波分析的非线性套期保值模型研究[D]. 张帅斌.西南财经大学 2013
[7]基于SVMAdaBoost模型的股票涨跌实证研究[D]. 詹财鑫.华南理工大学 2013
[8]基于小波分析和ARMA-SVM模型的股票指数预测分析[D]. 丁玲娟.华东师范大学 2012
[9]基于小波分析和神经网络的金融时间序列预测研究[D]. 郑纪安.厦门大学 2009
[10]基于小波变换的图像去噪算法与实现[D]. 袁红梅.上海交通大学 2008



本文编号：3081834