基于模糊时间序列及灰色理论的金融时间序列预测研究

发布时间：2020-10-14 10:55

　　 金融时间序列是经济领域中极其重要的数据类型,为了能够更好更快地适应金融全球化带来的崭新的经济环境,因此,建立合适的模型对金融时间序列进行预测分析,一方面可以观测经济的发展趋势,另一方面可以降低投资风险。本文首先介绍了股票预测理论以及预测模型的发展进程,早期的预测模型主要包括自回归滑动平均模型(ARMA)、自回归求和移动平均模型(ARIMA)、自回归条件异方差模型(ARCH)等。随着计算机的发展,也加入了人工智能的预测方法,主要包括神经网络、遗传算法和支持向量机等,这些方法在股票市场预测的上都得到了较好的应用。本文重点介绍了灰色预测理论和模糊时间序列的基本理论、基本方法以及预测步骤。当前,模糊时间序提高预测精度的研究主要是对论域子区间的划分以及构建合理的逻辑关系矩阵,本文针对人为硬性划分区间的问题,首先以数据波动的均值为标准对其进行分类,然后对论域区间作二次划分,以适应数据的分布情况;灰色预测的研究集中在原始数据的灰化处理以及背景值的改造,本文通过对数据的分析,引入两种新的灰化处理方法以提高预测精度。论文介绍两种改进模型的实现过程,然后给出相应的实验结果、并作出分析。最后,将两种改进的模型相融合提出灰色—模糊时间序列预测模型,并结合公共信息对股价的影响,以股票的日收盘价和五分钟分时价格为实验数据,通过对预测结果进行分析,证实了模型在价格预测和趋势分析中都表现良好。
【学位单位】：昆明理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：F830;N941.5
【部分图文】：

论文，建立样本数据模糊关系；??系和模糊逻辑关系矩阵；??和预测规则求得预测值。??关系矩阵式时，Ｓｏｎｇ等釆用的是Ｍａｘ－Ｍｉｎ系矩阵，如果序列数据比较多，那么计算出一种简单代数算子对模型进行了修正，

第三章灰色，且ｎ阶可微，那么该累加序列可用指数关系拟合。??：下表前两行为某商场２００２年到２００７年年销售额（百万元），其进行一次累加后的数据结果，如下表３．１所示。??表３．１某商场连续６年销售额２００２?２００３?２００４?２００５?２００６２．８７４?３．２７８?３．１５９?３．３９０?３．６７９２．８７４?＾１５２?９．３１１?１２．７０１?１６．３８０销售序列图和一次累加（１－ＡＧＯ）序列图如图３．１和图３．２所发现，原始序列图规律性不强，但是经过灰处理之后，原先曲基本光滑有序，满足灰色建模的要求，能够进行指数关系的拟３．８?｜?Ｉ?ｉ?１?Ｉ?Ｉ?１?Ｉ?］??

３３６７?２０１７．９．１２?３３７９?２０１７．９．２１３３７９?２０１７．９．１３?３３８４?２０１７．９．２２３３８４?２０１７．９．１４?３３７１?２０１７．９．２５３３８５?２０１７．９．１５?３３５３?２０１７．９．２６３３６５?２０１７．９．１８?３３６２?２０１７．９．２７３３６５?２０１７．９．１９?３３５６?２０１７．９．２８３３７６?２０１７．９．２０?３３６５?２０１７．９．２９数据分析可知，指数的最大值Ｍ＝３３８５，最小值为ｍ＝３３３９，?＝?Ｍ－ｍ＝４６。为了作出对比，本文采用两种处理方法建立只采用加速平移变换法处理原始数据序列；??加速平移变换法与累加均值生成法共同处理原始数据序列。??４．９和４．１０对原始数据序列进行处理，处理结果如图所示：??４３００?｜?｜?丨?＾＾??
【相似文献】

相关期刊论文 前10条

1 彭佳星;肖基毅;;基于分型转折点的证券时间序列分段表示法[J];商;2016年31期

2 刘伟龙;;基于ARMA模型的股价预测及实证研究[J];智富时代;2017年02期

3 周仰;;《漫长的告别》(年度资助摄影图书)[J];中国摄影;2017年04期

4 王嵬;;王嵬作品[J];当代油画;2017年07期

5 刘明华;张晋昕;;时间序列的异常点诊断方法[J];中国卫生统计;2011年04期

6 郭崇慧;苏木亚;;基于独立成分分析的时间序列谱聚类方法[J];系统工程理论与实践;2011年10期

7 王佳林;王斌;杨晓春;;面向不确定时间序列的分类方法[J];计算机研究与发展;2011年S3期

8 万里;廖建新;朱晓民;倪萍;;一种基于频繁模式的时间序列分类框架[J];电子与信息学报;2010年02期

9 左爱文;郭宏武;王保保;;气象时间序列规则发现及其应用[J];陕西气象;2006年06期

10 许清海;混沌投资时间序列的嬗变[J];漳州师范学院学报(自然科学版);2003年01期

相关博士学位论文 前10条

1 郭珩;复杂网络在非线性时间序列分析中的应用[D];华东师范大学;2018年

2 鲁韵帆;随机交互金融模型的构建及金融时间序列的统计分析[D];北京交通大学;2018年

3 宋伟;面向时间序列分类任务的SAX方法研究[D];郑州大学;2018年

4 丁超;MODIS时间序列重建方法与应用[D];中国地质大学(北京);2018年

5 魏永强;煤矿瓦斯监测数据插值与预测研究[D];中国矿业大学(北京);2015年

6 杨玉军;基于机器学习的时间序列模型研究及其应用[D];电子科技大学;2018年

7 潘玉青;基于NDVI时间序列的黄河中下游典型史前都邑性遗址的作物物候观察[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年

8 郝鹏宇;基于多时相遥感数据的农作物分类研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年

9 乔海浪;基于NDVI时间序列重构的经济型人工林时空分布信息提取研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年

10 王妮妮;基于智能计算技术的时间序列分割及预测研究[D];大连理工大学;2013年

相关硕士学位论文 前10条

1 郑万童;基于Type-Ⅱ型模糊认知图的时序数据预测[D];华南理工大学;2018年

2 沈礼锋;新型深度储备池计算方法研究[D];华南理工大学;2018年

3 禹雷;基于多级联合策略的多平台MT-InSAR形变时间序列联合分析[D];华东师范大学;2018年

4 郦炳杰;深海实验生态系统时间序列原位观测装置的研制[D];浙江大学;2018年

5 张璐;基于组合模型的股市趋势预测方法研究[D];中国科学院大学(中国科学院深圳先进技术研究院);2018年

6 宫志晨;模型空间中的时间序列分类算法及其在不平衡数据上的应用[D];中国科学技术大学;2018年

7 卞松寒;时间序列的细化二元熵和递归性研究[D];北京交通大学;2018年

8 蔡林芝;基于Tukey法改进时间序列平稳性检验的分段检验法[D];四川师范大学;2018年

9 程爽;基于奇异谱分析的时间序列互相关分析[D];辽宁师范大学;2018年

10 刘成功;时间序列的复杂性和递归性研究[D];北京交通大学;2018年

本文编号：2840576