基于小波分析和ARMA-SVM模型的股票指数预测分析

发布时间：2020-10-13 15:53

　　 作为金融市场的主体,股票市场在一国的经济发展中起着举足轻重的作用。股票价格指数(简称股票指数)反映了整个股票市场上各种股票市场价格的总体水平及其变动情况,对其进行预测分析,从宏观方面看,可以为国家的宏观决策提供依据,从微观方面看,可以影响投资者们的投资策略和手段。因此,对于股票指数的预测研究一直是国内外的研究者们关注的热点。对股票指数从时间序列研究方法入手,被证明是较为有效的方法。目前对股票指数时间序列(简称股指时序)的研究,有传统时序模型法和数据挖掘法等。小波分析理论的发展为结合前两种方法的优点来对股指时序进行多分辨分析和预测提供了极为有效的工具。 因此,本文以股票指数时间序列数据为研究对象,运用小波分析方法对股票指数时间序列进行去噪和多分辨分析,综合自回归滑动平均(autoregressive moving average,ARMA)模型法和支持向量机(support vector machine,SVM)数据挖掘法的各自优势,对股指时序的短期走势进行了预测。本文主要完成了如下工作： 1、总结了国内外关于股票指数预测方面的进展,提出了基于小波分析的ARMA-SVM组合预测模型； 2、对于股票指数的特征进行分析,并阐述了本文建模的理论基础,重点说明了小波分析理论,特别是小波去噪和多分辨分析的原理,ARMA模型预测法及其实现过程,介绍了SVM模型的理论,着重说明了SVM理论在应用中的原理以及参数的选择。 3、在此理论基础上,详细阐述了本文的基于小波分析的ARMA-SVM组合预测模型的构造过程：首先采用小波对股指时序数据进行去噪处理,然后对其进行小波分解,得到了尺度变换序列和各级小波变换序列,验证了尺度变换序列的非平稳性和小波变换序列的平稳性,然后建立ARMA模型对平稳的小波变换序列进行预测,应用支持向量机学习模型对非平稳的尺度变换序列进行智能化训练和预测,然后对分析结果进行整合,得出组合模型的预测结果。 4、最后,进行实证研究,证明了应用该组合模型,能够实现对股票市场时间序列数据的较为准确的预测,且预测准确率高于单纯使用SVM模型,因而有更广阔的应用前景。
【学位单位】：华东师范大学
【学位级别】：硕士
【学位年份】：2012
【中图分类】：F830.91;F224
【文章目录】：
摘要
Abstract
目录
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外股票指数时间序列研究回顾
    1.3 本文的研究思路
第二章 股指时间序列的特征及组合预测模型的理论基础
    2.1 股指时间序列特征的实证分析
    2.2 小波分析理论
        2.2.1 小波的定义
        2.2.2 连续小波变换
        2.2.3 离散小波变换
        2.2.4 小波基函数及其特性
        2.2.5 多分辨分析
    2.3 自回归移动平均(ARMA)模型
        2.3.1 自回归移动平均模型概述
        2.3.2 自回归移动平均模型建模过程
        2.3.3 差分自回归移动平均模型
    2.4 支持向量机(SVM)模型
        2.4.1 支持向量机的统计学习理论基础
        2.4.2 最优分类超平面
        2.4.3 支持向量机的优化问题
        2.4.4 支持向量机的对偶问题
        2.4.5 支持向量分类机的算法
        2.4.6 支持向量机的核函数
        2.4.7 支持向量机参数的选取方法
    2.5 小结
第三章 组合预测模型在股票指数时间序列预测中的实证研究
    3.1 研究思路概述
    3.2 模型评价方法
    3.3 实证分析
        3.3.1 数据选取说明
        3.3.2 小波去噪
        3.3.3 小波多分辨分析
        3.3.4 尺度序列和小波变换序列的平稳性检验
        3.3.5 小波变换序列的自回归移动平均模型建模预测
        3.3.6 尺度序列的支持向量机建模预测
        3.3.7 预测结果拟合
    3.4 模型比较
    3.5 小结
第四章 总结
参考文献
致谢

【参考文献】

相关期刊论文 前10条

1 刘美霞;;基于ARIMA模型的深证指数分析及预测[J];中国城市经济;2011年18期

2 胡桔州,兰秋军;金融时间序列的数据挖掘技术与经典统计模型的比较[J];系统工程;2005年06期

3 谷政;褚保金;江惠坤;;非平稳时间序列分析的WAVELET—ARMA组合方法及其应用[J];系统工程;2010年01期

4 张莉,周伟达,焦李成;子波核函数网络[J];红外与毫米波学报;2001年03期

5 张彩霞;付小明;;ARCH族模型在上证指数中的应用与预测[J];经济与管理;2009年12期

6 马野;刘文博;董小刚;王纯杰;;基于小波分解的高频金融时间序列预测[J];长春工业大学学报(自然科学版);2009年04期

7 曲文龙;李海燕;刘永伟;杨炳儒;;基于小波和支持向量机的多尺度时间序列预测[J];计算机工程与应用;2007年29期

8 兰秋军,马超群,文凤华;金融时间序列去噪的小波变换方法[J];科技管理研究;2004年06期

9 白营闪;;基于ARIMA模型对上证指数的预测[J];科学技术与工程;2009年16期

10 胡俊胜,肖冬荣,夏景明;基于小波神经网络的经济预测研究[J];统计与决策;2005年06期

本文编号：2839371