基于RBF-GARCH模型的股指预测研究

发布时间：2017-05-14 07:05

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

【摘要】：自股市建立以来,对股市预测的研究便一直受到广泛的关注。但由于股市同时受到很多因素的影响,对股指的有效预测就显得比较困难。目前对股指的预测有很多种方法,其中使用最多的方法为神经网络和时间序列分析。本文针对这两种方法各自的特点,首次提出了基于RBF神经网络的GARCH模型。该模型是将传统的GARCH模型中的均值方程由ARMA模型替换成一个RBF神经元模型。本文首先对现阶段股指预测的两个主要方法：神经网络和时间序列分析进行介绍和讨论。神经网络方法中,通过实证对比发现RBF神经网络在股指预测方面要优于BP神经网络。时间序列的GARCH族模型中,实证分析表明GARCH和EGARCH这两个模型在股指预测上拟合较好。本文将神经网络与GARCH族模型相结合,提出了一种新的用于非线性时间序列预测的模型,即RBF-GARCH模型。该模型很好的结合了股市所特有的非线性和波动集群性,克服了传统神经网络“黑箱子”的缺陷。它的均值方程中高斯基函数中心和宽度采用K-均值聚类算法求得,高斯基函数的系数和方差方程中的参数通过极大似然估计来获得。为了提高预测效果,布谷鸟优化算法也被引入到本文当中。最后通过与RBF神经网络,GARCH模型和未经布谷鸟优化的RBF-GARCH模型对比,发现经布谷鸟优化后的RBF-GARCH模型对股指的预测值最接近真实值。本文中所有模型的实证数据均采用上证指数的日收盘价序列。
【关键词】：股指预测 RBF-GARCH模型 K-均值聚类 极大似然 布谷鸟算法
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F830.91;TP18
【目录】：

• 摘要3-4
• ABSTRACT4-6
• 第一章 绪论6-10
• 1.1 研究背景及意义6
• 1.2 国内外研究现状6-8
• 1.3 本文研究内容与创新点8-10
• 第二章 神经网络基本理论及实证研究10-21
• 2.1 神经网络基本原理10-13
• 2.2 BP神经网络13-15
• 2.3 RBF神经网络15-17
• 2.4 BP网络与RBF网络的实证对比分析17-21
• 第三章 GARCH模型的基本理论及实证研究21-33
• 3.1 GARCH族模型21-23
• 3.2 模型的评估23-25
• 3.3 GARCH模型的实证分析25-33
• 第四章 RBF-GARCH模型的建立及实证研究33-46
• 4.1 模型建立33-34
• 4.2 K-均值聚类34
• 4.3 极大似然估计34-37
• 4.4 布谷鸟优化算法37-39
• 4.5 实证分析39-46
• 第五章 结论与展望46-48
• 5.1 结论46
• 5.2 展望46-48
• 参考文献48-50
• 致谢50

【参考文献】

中国期刊全文数据库 前1条

1 解光军,庄镇泉;差分RBF神经网络的预测算法及其应用[J];信息与控制;2000年05期

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

，

本文编号：364475