基于ARIMA-LSSVM混合模型的股指预测研究

发布时间：2017-04-25 07:00

  本文关键词：基于ARIMA-LSSVM混合模型的股指预测研究，由笔耕文化传播整理发布。

【摘要】：在许多领域,对时间序列的研究显得十分重要,提高预测精度能够为决策者提供有价值的参考。从时间序列分析的角度对股指进行预测研究能够帮助投资者制定投资策略,获得稳定收益。在传统的时间序列模型中,ARIMA模型一直是最广泛使用的线性模型之一。但是,ARIMA模型不能捕捉时间序列中的非线性模式。SVM是以VC维理论和结构风险最小化原则为基础,在统计学习理论基础上发展而来的一种新的机器学习方法。它已成功地解决许多非线性回归估计问题。LSSVM对标准SVM进行改进,将标准SVM求解中的二次规划问题转化为相对简单的线性问题,减少了运算量,提高了模型求解的速度。整合不同的模型是提高预测精度的有效途径,特别是当组合中的模型表现出很大的差异性时。上证180股指是我国证券市场的主要指数之一。股指时间序列受多种因素的影响,其中的线性成分和非线性成分复杂地交织在一起。本文对上证180股指序列进行ARIMA建模之后,基于Khashei的建模思想,并结合上证180股指序列的特征,构建一种新型的融合ARIMA和LSSVM的混合模型对股指收盘价进行预测。将本文构建的ARIMA-LSSVM混合模型与单一的模型、传统的混合模型、BP神经网络、ARIMA-BP混合模型的预测效果进行对比分析,利用均方误差根(RMSE)和平均绝对百分比误差(MAPE)两种指标对不同模型预测精度进行度量,RMSE度量实际值与预测值之间的绝对误差,MAPE度量实际值与预测值之间的相对误差。实证结果表明,本文构建的ARIMA-LSSVM混合模型的预测性能比单一的模型、传统的混合模型以及BP神经网络、ARIMA-BP混合模型优秀。另外,传统的混合模型、ARIMA-BP混合模型的预测精度有时也低于单一的模型,说明并不是所有的混合模型的预测性能都高于单一的模型,只有将单一的模型进行适当地组合,得到的混合模型才会有更好的预测表现。
【关键词】：时间序列预测 ARIMA模型 LSSVM 混合模型
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F724.5;F224
【目录】：

• 摘要4-5
• Abstract5-8
• 第1章 绪论8-17
• 1.1 研究背景与问题提出8-10
• 1.1.1 研究背景8-9
• 1.1.2 问题提出9-10
• 1.2 研究目的与意义10
• 1.3 国内外研究现状10-15
• 1.3.1 国外研究现状10-12
• 1.3.2 国内研究现状12-14
• 1.3.3 国内外文献评述14-15
• 1.4 研究内容与研究方法15-17
• 1.4.1 研究内容15
• 1.4.2 研究方法15-17
• 第2章 股指预测的特点及预测模型17-30
• 2.1 股指预测的特点17-19
• 2.1.1 股指波动的基本特征17-18
• 2.1.2 股指预测方法及特点18-19
• 2.2 单一预测模型19-28
• 2.2.1 ARIMA模型理论19-21
• 2.2.2 LSSVM模型理论21-26
• 2.2.3 神经网络模型理论26-28
• 2.3 混合模型构建思想28-29
• 2.4 本章小结29-30
• 第3章 数据的预处理及混合模型的构建30-43
• 3.1 数据选取与说明30-31
• 3.2 数据的预处理31-40
• 3.2.1 股指序列平稳性检验31-33
• 3.2.2 股指序列平稳化处理33-36
• 3.2.3 股指序列相对最优模型的识别36-40
• 3.3 ARIMA-LSSVM混合模型的构建40-42
• 3.4 本章小结42-43
• 第4章 混合模型股指预测实证研究43-59
• 4.1 预测效果评价指标的选取43
• 4.2 ARIMA模型预测实证研究43-45
• 4.3 LSSVM模型预测实证研究45-50
• 4.3.1 LSSVM模型的构建45-49
• 4.3.2 LSSVM模型股指预测49-50
• 4.4 神经网络预测实证研究50-53
• 4.4.1 BP神经网络模型的构建50-51
• 4.4.2 BP神经网络股指预测51-53
• 4.5 ARIMA-LSSVM混合模型预测实证研究53-57
• 4.5.1 混合模型股指预测53-55
• 4.5.2 不同模型预测效果比较分析55-57
• 4.6 本章小节57-59
• 结论59-61
• 参考文献61-67
• 攻读硕士学位期间发表的学术论文67-69
• 致谢69

【参考文献】

中国期刊全文数据库 前5条

1 戴浪;黄守道;黄科元;叶盛;;风电场风速的神经网络组合预测模型[J];电力系统及其自动化学报;2011年04期

2 贺凤羊;刘建平;;如何对中国CPI进行季节调整——基于X-12-ARIMA方法的改进[J];数量经济技术经济研究;2011年05期

3 熊志斌;;基于ARIMA与神经网络集成的GDP时间序列预测研究[J];数理统计与管理;2011年02期

4 王平;师青;;基于支持向量机回归的房地产单指标预测[J];统计与决策;2011年21期

5 朱颜杰;樊顺厚;雷怀英;;基于SARIMA模型的居民消费价格指数的预测[J];统计与决策;2014年04期

  本文关键词：基于ARIMA-LSSVM混合模型的股指预测研究，，由笔耕文化传播整理发布。

本文编号：325815