基于BP神经网络模型的股票择时研究
发布时间：2021-04-09 13:02
股票择时对于金融市场投资者来说非常的重要,是成功的关键,是各专家学者的重点研究对象。对于一只好的股票,如果没有准确的把握择时时机,也会面临着投资风险。股票择时是非常复杂的,因为虽然价格走势并不是完全随机的,但是它会受多种因素影响,因此常常无法准确判断。传统的投资方法只能从一些基本面信息以及KDL、均线等简单的技术指标进行分析,准确率相对较低。因此在西方比较流行的投资方法是量化投资。量化投资是将金融投资和数学模型相结合,对大数据进行信息挖掘,然后利用计算机进行自动化交易的投资方法。它使得交易更加的系统、准确、高效,更具有客观性,可以提高投资决策的效率和准确性。其中神经网络模型具有较强的非线性逼近功能,对于处理非线性的、复杂的股票市场具有很大的优越性。因此本文首先阐述了神经网络模型的相关理论,然后建立了神经网络择时的实证分析模型,具体内容如下。文章将上证综合指数作为研究的对象,选取了其16个常用的股票指标的日数据,时间区间为2015年1月5日至2018年9月7日,共900组数据。通过对原始数据建立BP神经网络模型,预测上证综合指数日收盘价走势。为了数据使用的简便性和模型分析更加的准确,首先...
【文章来源】：沈阳工业大学辽宁省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
人工神经网络模型结构图
图 2.2 BP 神经网络模型原理Fig. 2.2 Principle of BPANNs model.2 的正向数据传输中，输入变量从输入层进入神经元，通过权算、激活函数的转换后，将变量储存在隐藏层中；隐藏层的神
图 4.1 模型均方误差Fig. 4.1 Mean square error of model图4.1 是模型的均方误差曲线图，由图可知，模型的均方误差值为 0.0000943，数值比较小，说明模型的准确度较高。图中的三条曲线分别代表训练集、测试集和验证集的均方误差曲线，三条曲线都是呈下降趋势且逐渐趋于平稳，说明模型
【参考文献】：
期刊论文
[1]基于BP神经网络的公共建筑用电能耗预测研究[J]. 李嘉玲,蒋艳. 软件导刊. 2019(07)
[2]基于支持向量机与BP神经网络的税收收入预测模型[J]. 刘兰苓,孙德山,张文政. 江苏商论. 2019(02)
[3]时间序列ARIMA与BP神经网络组合模型在CPI预测中的应用[J]. 孟毅. 山东农业大学学报(自然科学版). 2018(06)
[4]基于ARIMA模型和BP人工神经网络的产品质量预测[J]. 曹学晨,张顺堂. 价值工程. 2018(35)
[5]基于多因子模型的量化选股分析[J]. 徐景昭. 金融理论探索. 2017(03)
[6]主成分分析法分析我国玉米期货价格影响因素[J]. 王琴英,张燕萍. 发展改革理论与实践. 2017(01)
[7]大豆期货价格预测实证研究[J]. 滕永平,周婷婷. 沈阳工业大学学报(社会科学版). 2017(04)
[8]马尔科夫预测法在股票价格预测中的应用[J]. 朱泓嘉. 时代金融. 2015(36)
[9]A trend based investment decision approach using clustering and heuristic algorithm[J]. WU ChungMin,CHOU ShengChun,LIAW HorngTwu. Science China（Information Sciences）. 2014(09)
[10]基于神经网络模型的股票预测与研究[J]. 赵长城,耿钗. 经济研究导刊. 2014(10)
硕士论文
[1]基于PCA-SVM-GARCH模型的股价预测[D]. 景秋玉.首都经济贸易大学 2018
[2]沪深300股指期货价格预测研究[D]. 吴迪.沈阳工业大学 2018
[3]基于主成分分析和BP神经网络算法的综合选股实证研究[D]. 兰强太.暨南大学 2017
[4]量化交易中股票择时的策略研究[D]. 吴桂雯.天津商业大学 2017
[5]量化投资趋势策略分析和研究[D]. 蒋树国.对外经济贸易大学 2016
[6]量化分析在我国A股市场中的应用研究[D]. 赵子瑜.安徽财经大学 2015
[7]动态神经网络在量化投资预测中的应用[D]. 赵晨.复旦大学 2014
[8]量化投资交易策略研究[D]. 李子睿.天津大学 2013
[9]基于神经网络的股票预测系统的设计与实现[D]. 欧阳光明.电子科技大学 2011
[10]神经网络方法在股市预测中的应用研究[D]. 刘莉华.电子科技大学 2005
本文编号：3127667
【文章来源】：沈阳工业大学辽宁省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
人工神经网络模型结构图
图 2.2 BP 神经网络模型原理Fig. 2.2 Principle of BPANNs model.2 的正向数据传输中，输入变量从输入层进入神经元，通过权算、激活函数的转换后，将变量储存在隐藏层中；隐藏层的神
图 4.1 模型均方误差Fig. 4.1 Mean square error of model图4.1 是模型的均方误差曲线图，由图可知，模型的均方误差值为 0.0000943，数值比较小，说明模型的准确度较高。图中的三条曲线分别代表训练集、测试集和验证集的均方误差曲线，三条曲线都是呈下降趋势且逐渐趋于平稳，说明模型
【参考文献】：
期刊论文
[1]基于BP神经网络的公共建筑用电能耗预测研究[J]. 李嘉玲,蒋艳. 软件导刊. 2019(07)
[2]基于支持向量机与BP神经网络的税收收入预测模型[J]. 刘兰苓,孙德山,张文政. 江苏商论. 2019(02)
[3]时间序列ARIMA与BP神经网络组合模型在CPI预测中的应用[J]. 孟毅. 山东农业大学学报(自然科学版). 2018(06)
[4]基于ARIMA模型和BP人工神经网络的产品质量预测[J]. 曹学晨,张顺堂. 价值工程. 2018(35)
[5]基于多因子模型的量化选股分析[J]. 徐景昭. 金融理论探索. 2017(03)
[6]主成分分析法分析我国玉米期货价格影响因素[J]. 王琴英,张燕萍. 发展改革理论与实践. 2017(01)
[7]大豆期货价格预测实证研究[J]. 滕永平,周婷婷. 沈阳工业大学学报(社会科学版). 2017(04)
[8]马尔科夫预测法在股票价格预测中的应用[J]. 朱泓嘉. 时代金融. 2015(36)
[9]A trend based investment decision approach using clustering and heuristic algorithm[J]. WU ChungMin,CHOU ShengChun,LIAW HorngTwu. Science China（Information Sciences）. 2014(09)
[10]基于神经网络模型的股票预测与研究[J]. 赵长城,耿钗. 经济研究导刊. 2014(10)
硕士论文
[1]基于PCA-SVM-GARCH模型的股价预测[D]. 景秋玉.首都经济贸易大学 2018
[2]沪深300股指期货价格预测研究[D]. 吴迪.沈阳工业大学 2018
[3]基于主成分分析和BP神经网络算法的综合选股实证研究[D]. 兰强太.暨南大学 2017
[4]量化交易中股票择时的策略研究[D]. 吴桂雯.天津商业大学 2017
[5]量化投资趋势策略分析和研究[D]. 蒋树国.对外经济贸易大学 2016
[6]量化分析在我国A股市场中的应用研究[D]. 赵子瑜.安徽财经大学 2015
[7]动态神经网络在量化投资预测中的应用[D]. 赵晨.复旦大学 2014
[8]量化投资交易策略研究[D]. 李子睿.天津大学 2013
[9]基于神经网络的股票预测系统的设计与实现[D]. 欧阳光明.电子科技大学 2011
[10]神经网络方法在股市预测中的应用研究[D]. 刘莉华.电子科技大学 2005
本文编号：3127667
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/3127667.html
