基于因果滞后分析的时序自回归股市态势预测研究

发布时间：2017-10-18 08:11

  本文关键词：基于因果滞后分析的时序自回归股市态势预测研究

  更多相关文章： 股价波动 特征滞后 能量性 TGARCH-M模型 因果贝叶斯网络

【摘要】：随着经济的快速发展,股票市场越来越被人们所重视,但股票市场高度的复杂性和不确定性使得对股市的预测存在很大的困难。许多专家学者们一直致力于研究股市的预测,一个好的预测模型不仅能更好地描述股市的变化,更能够减少投资的风险。本文主要针对股市波动预测模型中波动走势的拐点难以有效预测导致模型整体的预测准确性和精度不高的问题,从股价走势变化落后于指标变化的滞后风险角度对股市波动走势过程中的拐点加以分析引导,同时结合因果贝叶斯网络理论,以时序自回归条件异方差模型为基础预测模型,对股市波动走势预测进行研究。本文的主要研究工作如下：(1)由于股票价格的变化具有较强的复杂性和不确定性,致使股价波动剧烈,波动拐点频繁出现。针对波动拐点的有效预测提出一种基于特征滞后计算的股市波动预测算法(LRD-TGARCH-M),该算法首先根据股价变化与指标变化之间出现的不一致性,提出了滞后性的定义,并结合能量波动的概念,给出了股价走势过程中特征滞后程度的计算模型；将特征滞后程度计算模型与广义自回归条件异方差模型相融合,引导模型对波动拐点的预测,优化波动拐点附近误差项的变化,提高模型的预测精度。(2)在LRD-TGARCH-M算法基础上进一步分析,发现在对滞后程度计算时,所提取的滞后特征之间并不是不相关的,而是存在一定的影响关系,基于此,提出了基于特征因果滞后计算的股市态势预测算法(CLD-TGARCH-M)。 CLD-TGARCH-M算法首先对提取出的多个滞后特征离散化后构建贝叶斯网络,通过对贝叶斯网络进行扰动学习其局部因果结构；根据滞后特征之间的局部因果结构修正在股价波动走势过程中的滞后程度的计算,将修正后的滞后程度加入广义自回归条件异方差模型中,启发模型对波动拐点的正确预测,进一步优化方差的变化,提高模型的预测效果。通过在上证指数的数据上分别对提出的两个算法进行了对比分析,实验结果表明,考虑了股价与指标之间的滞后性这一风险因素相比于一般的预测模型有更好的预测效果；结合因果关系的滞后程度计算则能更准确地判断和预测拐点,进一步提高模型的预测准确性和精度。
【关键词】：股价波动 特征滞后 能量性 TGARCH-M模型 因果贝叶斯网络
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F832.51;F224
【目录】：

• 致谢7-8
• 摘要8-9
• Abstract9-16
• 第一章 绪论16-22
• 1.1 课题研究背景及意义16-17
• 1.2 股市波动的研究现状17-19
• 1.3 贝叶斯网络19-20
• 1.4 本文的主要工作创新和课题来源20
• 1.4.1 本文的主要工作创新20
• 1.4.2 课题来源20
• 1.5 本文组织结构20-22
• 第二章 贝叶斯网络和股市波动概述22-30
• 2.1 贝叶斯网络基础知识22-24
• 2.1.1 贝叶斯定理22
• 2.1.2 贝叶斯网络概述22-24
• 2.2 贝叶斯网络的应用24-26
• 2.2.1 因果贝叶斯网络24-25
• 2.2.2 马尔科夫毯25-26
• 2.3 股市波动性研究内容26-29
• 2.3.1 股市波动的特性26-27
• 2.3.2 GARCH模型介绍27-28
• 2.3.3 GARCH模型的扩展28-29
• 2.4 本章小结29-30
• 第三章 基于特征滞后计算的股市波动预测模型30-50
• 3.1 引言30-31
• 3.2 滞后性31-32
• 3.3 指标特征的能量性和滞后性32-37
• 3.3.1 指标特征的能量性32-34
• 3.3.2 指标特征的滞后性34-36
• 3.3.4 股市滞后程度计算36-37
• 3.4 基于滞后风险特征模式的TGARCH-M模型37-43
• 3.4.1 TGARCH-M模型的建立38
• 3.4.2 特征滞后的均值方程38-39
• 3.4.3 特征滞后的方差方程39-40
• 3.4.4 特征滞后的广义自回归条件异方差模型40
• 3.4.5 LRD-TGARCH-M模型的参数估计40-41
• 3.4.6 LRD-TGARCH-M模型的误差分析41-42
• 3.4.7 LRD-TGARCH-M模型的预测公式42-43
• 3.4.8 LRD-TGARCH-M算法描述43
• 3.5 实验数据处理43-45
• 3.5.1 数据选取43-44
• 3.5.2 数据的预处理44
• 3.5.3 模型阶数的选择44
• 3.5.4 对比实验的选择44-45
• 3.5.5 评价准则45
• 3.6 实验结果分析45-48
• 3.6.1 模型的参数估计结果对比分析45-46
• 3.6.2 模型的预测结果对比46-48
• 3.6.3 结果分析48
• 3.7 本章小结48-50
• 第四章 基于特征因果滞后计算的股市态势预测50-65
• 4.1 引言50
• 4.2 指标的滞后特征提取和能量定义50-53
• 4.2.1 指标的滞后特征提取50-52
• 4.2.2 指标的能量定义52-53
• 4.3 滞后特征的局部因果结构53-58
• 4.3.1 马尔科夫毯54
• 4.3.2 扰动学习54
• 4.3.3 滞后特征的离散化54-57
• 4.3.4 局部因果结构的建立57-58
• 4.4 基于特征因果结构的滞后计算58-59
• 4.5 基于特征因果滞后计算的TGARCH-M模型59-61
• 4.5.1 CLD-TGARCH-M模型的构建59-60
• 4.5.2 CLD-TGARCH-M算法描述60-61
• 4.6 实验数据处理及结果分析61-64
• 4.6.1 实验数据61
• 4.6.2 实验数据处理61-63
• 4.6.3 对比实验63
• 4.6.4 CLD-TGARCH-M算法的结果及对比63-64
• 4.6.5 结果分析64
• 4.7 本章小结64-65
• 第五章 总结与展望65-67
• 5.1 本文的主要工作总结65
• 5.2 工作展望65-67
• 参考文献67-71
• 攻读硕士学位期间的学术活动及成果情况71-72

【相似文献】

中国硕士学位论文全文数据库 前1条

1 李大光;基于因果滞后分析的时序自回归股市态势预测研究[D];合肥工业大学;2015年

，

本文编号：1053887