基于KNN方法的股票价格趋势预测研究

发布时间：2017-04-20 09:07

  本文关键词：基于KNN方法的股票价格趋势预测研究，，由笔耕文化传播整理发布。

【摘要】：股票不仅能广泛地聚积社会的闲散资金来扩大国家经济建设规模,而且能推动资金的融通和经济之间的联系,提升资源的使用率。股票价格的波动不仅反映国内经济的发展形势和上市公司的运营状况,更是企业融资和股民投资的重要依据。因此,预测股票市场价格的涨跌,可以为广大投资者有效地克服盲目的投资。本文分析了国内外股票趋势预测的相关研究和存在的问题,采用统计量对描述股票价格的指标进行融合,以达到降维的目的,从而构建描述股票价格的新的指标空间。根据以往采集的股票价格指标数据,对现有股票价格趋势进行研判。本文工作如下:首先,股票价格指标及其趋势的分析与确定。在分析各类常用反映股票价格趋势指标的基础上,本文选取一定周期内的收盘价格、最低价格、总手、换手率、成交金额、成交次数、涨跌幅和振幅作为描述股票价格的特征指标,将股票价格的上涨和下跌两种趋势作为分类标签,基于此,将股票价格趋势预测问题转化为两分类问题。其次,股票价格指标的融合与降维。提取15天内的股票价格指标,则形成维数为150的指标向量。维数过大,极易导致运算量和干扰的出现,从而导致研判的不准确性。本文采用基于统计量的方法来计算一个周期内的各项指标的统计量,如均值、标准差、中位数、峰度和偏度,以获取融合指标,从而达到降维的目的,获取到维数为50的股票价格指标向量。采用此种方法,可以获取训练数据集与测试数据集。再次,基于K近邻分类方法的股票价格趋势研判。对要预测价格趋势的股票,采用K近邻方法对其进行研判,并给出具体算法步骤。最后,本文选取A股市场中五个行业(如计算机应用、中药、食品加工制造、生物制品和通讯设备)的历史交易数据,通过融合与降维处理构建训练数据集与测试数据集。在每个行业的数据中,选取200组上升趋势和200组下降趋势的趋势片段,将具有上涨趋势特征的股票数据作为第一类,具有下跌趋势特征的股票数据作为第二类,分别选取两类数据总数的前2/3作为训练集,后1/3作为测试集,其中,K近邻方法中K取15,5个行业的分类精度依次为100%、99.25%、99.00%、99.75%和98.75%;同花顺模拟平台的实验结果是,除一支股票有配股的基本面影响外,其于4支股票趋势的短期预测均是准确的。实验结果显示,采用基于数据驱动原理的KNN方法对股票价格趋势进行研判是可行的。但是,利好消息对股票的增长趋势也具有一定的影响,因此,在今后的研究中,需要融合基本面信息,做到定性分析与定量分析相结合。
【关键词】：股票价格趋势分析 特征提取 降维 KNN方法
【学位授予单位】：东北农业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F832.51
【目录】：

• 中文摘要8-9
• 英文摘要9-11
• 1 引言11-18
• 1.1 本文研究的背景、目的与意义11-13
• 1.1.1 选题背景11
• 1.1.2 研究目的11-12
• 1.1.3 研究意义12-13
• 1.2 国内外研究现状13-15
• 1.2.1 国外研究现状13-14
• 1.2.2 国内研究现状14-15
• 1.3 本文技术路线及主要研究内容15-18
• 1.3.1 技术路线15-16
• 1.3.2 论文的基本内容和框架16-18
• 2 股票价格预测理论的相关概述18-25
• 2.1 股票相关理论的概述18-19
• 2.1.1 影响股票价格的因素18-19
• 2.1.2 股票价格预测的重点和难点19
• 2.2 股票价格预测理论19-22
• 2.2.1 股票价格预测理论的产生与发展19-21
• 2.2.2 有效市场理论21
• 2.2.3 EMH的三大基本假设的不合理性21-22
• 2.3 股票价格预测常用的技术方法22-25
• 2.3.1 时间序列分析方法22-23
• 2.3.2 神经网络方法23
• 2.3.3 支持向量机方法23
• 2.3.4 各种预测方法的简要评述23-25
• 3 基于KNN方法的股票趋势预测模型25-38
• 3.1 股票价格预测的常用指标25
• 3.2 各类指标的比较分析25-31
• 3.2.1 市场趋势指标25-26
• 3.2.2 市场能量指标26-27
• 3.2.3 波动性指标27-28
• 3.2.4 人气指标28-29
• 3.2.5 影响股票价格趋势指标的选取29-31
• 3.3 基于统计量的指标融合与降维31-36
• 3.3.1 指标融合与降维的意义31
• 3.3.2 统计量的分析与选取31-33
• 3.3.3 基于统计量的指标融合与降维33-36
• 3.4 基于KNN方法的股票价格趋势预测36-38
• 3.4.1 KNN理论介绍36
• 3.4.2 基于KNN方法的股票价格趋势预测36-38
• 4 实证分析38-53
• 4.1 实现过程38-43
• 4.1.1 股票选取38-39
• 4.1.2 数据提取39-40
• 4.1.3 数据处理40-42
• 4.1.4 分类器训练与股票价格趋势预测42-43
• 4.2 实验结果及分析43-53
• 4.2.1 计算机行业的实验结果43
• 4.2.2 中药行业的实验结果43-44
• 4.2.3 食品加工制造行业的实验结果44
• 4.2.4 生物制品行业的实验结果44-49
• 4.2.5 通信设备行业的实验结果49
• 4.2.6 实验结果分析49-53
• 5 结论与展望53-55
• 5.1 结论53
• 5.2 展望53-55
• 致谢55-56
• 参考文献56-59
• 攻读硕士学位期间发表的学术论文59

【参考文献】

中国期刊全文数据库 前10条

1 尹s

本文编号：318334