基于组合模型的股市趋势预测方法研究
发布时间：2022-07-27 18:14
对股市趋势的准确预测是金融市场的圣杯,但是其混沌动态的变化特性一直都在挑战金融和计算机领域的新技术。近年来,数据挖掘算法的新突破为该领域的研究工作注入了许多新方法与新思路。金融时间序列数据作为股票交易市场的外在表现形式,其中蕴含着大量的信息,对其进行分析、预测是金融研究中的重要工作内容。本文将时间序列分析上的预测算法分为两大类:第一类算法通过挖掘时间序列上行为模式来实现预测,如Motif、自组织映射等;第二类算法通过最小化损失函数的方式来拟合真实的数据分布,从而获得真实输出的近似结果,如神经网络、SVM等。在本文中,以股票价格时间序列作为研究对象,对两类算法展开了探索与尝试。首先根据金融时间序列中所含模式动态变化、难以确定起始点的特点,定义了一个蕴含模式信息的代表模式集,并在其基础上,设计和和实现了从时间序列中提取代表模式集的基于特征点的代表模式集挖掘算法（Represent Pattern Discovery Based on Feature Point,简称为RPD）,和基于部分匹配与弹性匹配思想的趋势预测算法（Prediction by Partial and Elastic M...
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 引言
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 时间序列中模式挖掘方法的研究现状
1.2.2 金融时间序列预测的研究现状
1.2.3 组合模型的研究现状
1.3 本文研究内容与技术路线
1.4 论文结构
第2章 基于模式挖掘的趋势预测方法
2.1 相关技术介绍
2.1.1 时间序列分段线性表示
2.1.1.1 分段聚集近似算法
2.1.1.2 滑动窗口算法
2.1.1.3 极值点算法
2.1.1.4 自顶向下算法
2.1.1.5 自底向上算法
2.1.2 时间序列相似性度量方式
2.1.2.1 欧式距离
2.1.2.2 DTW距离
2.1.2.3 MVM距离
2.1.3 时间序列上的聚类算法
2.2 模式挖掘算法
2.2.1 子序列聚类无意义问题与解决方案
2.2.2 RPD算法
2.3 基于模式匹配的预测算法
2.4 实验与评价
2.4.1 实验数据
2.4.2 对照方案
2.4.2.1 随机游走模型
2.4.2.2 ARIMA模型
2.4.3 评估方法
2.4.4 PPEM参数对其影响
2.4.5 对照实验与讨论
2.5 本章小结
第3章 基于LSTM的趋势预测方法
3.1 RNN的基本原理
3.2 LSTM的基本结构
3.3 RNN常用的网络拓扑结构
3.4 深度学习中的相关技术
3.4.1 Dropout技术
3.4.2 超参数搜索技术
3.5 实验与评价
3.6 本章小结
第4章 模型组合与评估
4.1 组合模型的基本思想
4.2 基于权重分配的线性组合模型
4.3 基于误差修正的组合模型
4.4 实验与评估
4.5 本章小结
第5章 总结与展望
5.1 本文工作总结
5.2 本文创新点
5.3 未来工作展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果
【参考文献】：
期刊论文
[1]基于组合预测模型的股票预测方法的研究[J]. 李春兴,白建东. 青岛理工大学学报. 2008(02)
[2]聚类算法研究[J]. 孙吉贵,刘杰,赵连宇. 软件学报. 2008(01)
[3]小波神经网络在股票平均线交易规则中的应用[J]. 丁圣,高风. 计算机仿真. 2006(11)
[4]基于数据挖掘的金融时序频繁模式的快速发现[J]. 胡晓青,王波. 上海理工大学学报. 2006(04)
[5]中国股市弱有效吗?——来自数据挖掘的实证研究[J]. 兰秋军,马超群,甘国君,吴建宏. 中国管理科学. 2005(04)
[6]金融时间序列的概念表示[J]. 宋咏谦,李芳,谢康林. 计算机应用与软件. 2005(06)
[7]股票价格预测:GARCH模型与BP神经网络模型的比较[J]. 崔建福,李兴绪. 统计与决策. 2004(06)
硕士论文
[1]基于RBF-GARCH模型的股指预测研究[D]. 朱学婷.兰州大学 2015
本文编号：3665939
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 引言
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 时间序列中模式挖掘方法的研究现状
1.2.2 金融时间序列预测的研究现状
1.2.3 组合模型的研究现状
1.3 本文研究内容与技术路线
1.4 论文结构
第2章 基于模式挖掘的趋势预测方法
2.1 相关技术介绍
2.1.1 时间序列分段线性表示
2.1.1.1 分段聚集近似算法
2.1.1.2 滑动窗口算法
2.1.1.3 极值点算法
2.1.1.4 自顶向下算法
2.1.1.5 自底向上算法
2.1.2 时间序列相似性度量方式
2.1.2.1 欧式距离
2.1.2.2 DTW距离
2.1.2.3 MVM距离
2.1.3 时间序列上的聚类算法
2.2 模式挖掘算法
2.2.1 子序列聚类无意义问题与解决方案
2.2.2 RPD算法
2.3 基于模式匹配的预测算法
2.4 实验与评价
2.4.1 实验数据
2.4.2 对照方案
2.4.2.1 随机游走模型
2.4.2.2 ARIMA模型
2.4.3 评估方法
2.4.4 PPEM参数对其影响
2.4.5 对照实验与讨论
2.5 本章小结
第3章 基于LSTM的趋势预测方法
3.1 RNN的基本原理
3.2 LSTM的基本结构
3.3 RNN常用的网络拓扑结构
3.4 深度学习中的相关技术
3.4.1 Dropout技术
3.4.2 超参数搜索技术
3.5 实验与评价
3.6 本章小结
第4章 模型组合与评估
4.1 组合模型的基本思想
4.2 基于权重分配的线性组合模型
4.3 基于误差修正的组合模型
4.4 实验与评估
4.5 本章小结
第5章 总结与展望
5.1 本文工作总结
5.2 本文创新点
5.3 未来工作展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果
【参考文献】：
期刊论文
[1]基于组合预测模型的股票预测方法的研究[J]. 李春兴,白建东. 青岛理工大学学报. 2008(02)
[2]聚类算法研究[J]. 孙吉贵,刘杰,赵连宇. 软件学报. 2008(01)
[3]小波神经网络在股票平均线交易规则中的应用[J]. 丁圣,高风. 计算机仿真. 2006(11)
[4]基于数据挖掘的金融时序频繁模式的快速发现[J]. 胡晓青,王波. 上海理工大学学报. 2006(04)
[5]中国股市弱有效吗?——来自数据挖掘的实证研究[J]. 兰秋军,马超群,甘国君,吴建宏. 中国管理科学. 2005(04)
[6]金融时间序列的概念表示[J]. 宋咏谦,李芳,谢康林. 计算机应用与软件. 2005(06)
[7]股票价格预测:GARCH模型与BP神经网络模型的比较[J]. 崔建福,李兴绪. 统计与决策. 2004(06)
硕士论文
[1]基于RBF-GARCH模型的股指预测研究[D]. 朱学婷.兰州大学 2015
本文编号：3665939
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/3665939.html
