基于隐马尔可夫模型的股票价格预测及其选择

发布时间：2021-08-26 18:49

　　本文主要利用隐马尔可夫模型,从技术分析和基本分析两方面研究了中国证券市场的证券价格预测和证券选择问题.从技术分析的层面出发,首先选取了市场指数或个股每天的收盘价、开盘价、最高价、最低价作为隐马尔可夫模型的观测序列,利用历史数据对模型进行训练,得到模型的最优隐状态个数和相关参数,结合滚动窗口建立了一种预测股票价格的隐马尔可夫模型.其次,利用测试集对模型进行检验,检验结果表明模型具有很好的预测能力.另外,根据预测模型建立了一种投资策略进行模拟投资并取得了良好的经济效益.相似地从基本分析的层面出发,选取每股收益、净资产收益率、营业利润率和销售净利润率财务指标作为观测序列,利用财务数据建立预测公司财务状况的隐马尔可夫模型,并且进行了模型的有效性检验.其次,构建了财务状况下的投资策略并进行模拟投资,投资结果显示此模型和投资策略具有很好的营利性. 

【文章来源】：郑州大学河南省 211工程院校

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

1隐马尔可夫模型状态变迁图

加,得到我们所要预测的价格. +1= + ( +1 ) (2.2.19)第五步：当接收到观测数据时,将它们包含在数据集中,并再次对模型进行训练以进行进一步的预测.过程如下图所示：

第二章基于技术分析的模型构建和实证研究交易日的收盘价,是历史交易数据中与最相近的价格数据模式,+1指观测数据所在交易日的下一天.用预测股票价格的具体步骤如下图所示：图2.2.2预测价格步骤图例如某支股票的股价如下表所示：表2.2.1股票价格预测日期开盘价收盘价最高价最低价2018/9/2711.6411.7211.9111.62017/5/2211.5711.6711.7911.522017/5/2311.6511.7511.8911.612018年9月27日的收盘价所在的窗口和2017年5月22日的收盘价所在窗口的似然函数值最接近,2017年5月23日收盘价比2017年5月22日的收盘价高出0.08元,因此,据此推算2018年9月28日的收盘价为11.72+0.08=11.80.2.2.5预测精度检测本文用绝对平均误差（/）作为模型预测精21

【参考文献】：
期刊论文
[1]上市企业财务报表分析——以浙江跃岭股份有限公司为例[J]. 高雪春,付磊.  现代商业. 2019(27)
[2]多时间尺度时间序列趋势预测[J]. 王金策,邓越萍,史明,周云飞.  计算机应用. 2019(04)
[3]基于隐马尔可夫模型在股票择时上的应用与研究[J]. 王旷羽.  电脑编程技巧与维护. 2018(04)
[4]论每股收益在上市公司盈利能力分析中的局限性[J]. 舒声.  广东开放大学学报. 2017(05)
[5]基于HMM的VaR风险度量及其实证分析[J]. 汪金菊,吴燕飞,王杨.  合肥工业大学学报(自然科学版). 2013(05)
[6]在部分信息下股票收益服从隐马尔科夫模型的最优交易策略[J]. 李钰,费为银,石学芹,李娟.  东华大学学报(自然科学版). 2012(06)
[7]一种新的基于隐马尔可夫模型的股票价格时间序列预测方法[J]. 余文利,廖建平,马文龙.  计算机应用与软件. 2010(06)
[8]基于隐马尔可夫模型的股票价格预测组合模型[J]. 朱嘉瑜,叶海燕,高鹰.  计算机工程与设计. 2009(21)
[9]基于小波域隐马尔可夫模型的时间序列分析-平滑、插值和预测[J]. 张冬青,韩玉兵,宁宣熙,刘雪妮.  中国管理科学. 2008(02)
[10]股票价格预测的最优选择模型[J]. 贺本岚.  统计与决策. 2008(06)

博士论文
[1]基于隐马尔可夫模型和计算智能的股票价格时间序列预测[D]. 李嵩松.哈尔滨工业大学 2011

硕士论文
[1]基于广度学习的股票波动预测模型的设计与实现[D]. 李奕萱.北京邮电大学 2019
[2]基于长短期记忆神经网络的证券选择[D]. 李双双.郑州大学 2019
[3]基于隐马尔科夫模型的股票价格指数预测[D]. 王晨.山东大学 2018
[4]基于隐马尔科夫模型（HMM）的股票价格预测分析[D]. 黄冉.青岛大学 2015
[5]基本面与技术面相结合的A股量化选股模型设计[D]. 李雪莲.河北经贸大学 2015
[6]中国股票市场的基本面与技术面联合估价研究[D]. 何铮.湖南大学 2013
[7]基于支持向量机的上市公司成长性研究[D]. 刘海旆.南京财经大学 2006



本文编号：3364775