金融时间序列方法在股市涨跌序列中的应用及预测研究
发布时间：2021-01-13 19:29
随着人工智能、大数据技术的快速发展,数据挖掘中的机器学习算法、深度学习算法在金融领域中的应用逐渐兴起,虽然数据挖掘方法中的传统统计方法在处理常规数据时表现尚可,但是对于处理海量非正态、非平稳、非线性和高信噪比的金融时间序列数据有一定的局限性。尤其是金融时间序列蕴含的规律时效性很强且迭代频率很高,建立在苛刻的假设条件下的传统模型在处理海量复杂的、动态的金融序列时显得捉襟见肘,而在获得新数据后,运用数据挖掘算法中的机器学习算法和深度学习算法,可快速适应环境并挖掘出有价值的信息,因此在金融时间序列研究中结合机器学习算法、深度学习算法进行探索具有重要实践意义。本文使用传统的时间序列方法、机器学习和深度学习算法,对我国股票市场整体涨幅分级序列进行研究,从序列中挖掘出股市运行规律,并开发出涨跌熵（advance-decline entropy,ADE）指数,这对于量化股市涨跌的不确定度、把握股市情绪以及指导投资决策具有重要的理论和现实意义。本文探索出适用于中国股市不同涨跌序列的预测模型,在量化择时、规避投资风险以及未来投资决策方面都具有重要的参考价值。本文使用多种时间序列方法研究中国股市的运行规律...
【文章来源】：江西财经大学江西省
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究背景与研究意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究综述
1.3 研究内容及技术路线
1.3.1 研究思路
1.3.2 研究方法
1.3.3 研究路线
1.4 论文的创新与不足
第2章 理论基础
2.1 数据挖掘概述
2.1.1 分类模型
2.1.2 回归模型
2.1.3 信息熵理论
2.2 金融时间序列相关理论
2.2.1 涨跌熵指数
2.2.2 股市日历效应概述
2.2.3 股市周期概述
2.2.4 时间序列相关理论
2.2.5 自回归条件异方差
2.3 基于数据挖掘的时间序列数据研究方法
2.3.1 数据挖掘技术之时间序列周期模式挖掘
2.3.2 数据挖掘技术之时间序列预测方法
第3章 中国股票市场涨跌序列规律研究
3.1 数据来源及处理
3.2 中国股票市场涨跌序列日历效应研究
3.2.1 中国股市涨跌序列统计分析
3.2.2 中国股市涨跌序列月份效应实证分析
3.2.3 中国股市涨跌序列星期效应实证分析
3.3 中国股票市场涨跌序列周期性实证研究
3.4 本章小结
第4章 中国股票市场涨跌序列概率预测研究
4.1 基于自回归移动平均的预测分析
4.2 基于机器学习算法的预测分析
4.3 基于深度学习算法的预测分析
4.4 模型对比分析
第5章 结论与展望
5.1 结论
5.2 展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于多尺度层级LSTM网络的时间序列预测分析[J]. 张旭东,杜家浩,黄宇方,石东贤,缪永伟. 计算机科学. 2019(S2)
[2]深圳股市日历效应的实证研究[J]. 谢世清,朱倩瑜. 商业研究. 2019(09)
[3]基于树结构长短期记忆神经网络的金融时间序列预测[J]. 姚小强,侯志森. 计算机应用. 2018(11)
[4]SDAE-LSTM模型在金融时间序列预测中的应用[J]. 黄婷婷,余磊. 计算机工程与应用. 2019(01)
[5]基于深度学习和股票论坛数据的股市波动率预测精度研究[J]. 陈卫华,徐国祥. 管理世界. 2018(01)
[6]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
[7]深度学习的金融实证应用:动态、贡献与展望[J]. 苏治,卢曼,李德轩. 金融研究. 2017(05)
[8]基于谱分析的中国科技创新与经济增长周期波动关系[J]. 闫中晓,贾永飞. 科技管理研究. 2016(09)
[9]使用随机森林算法实现优质股票的选择[J]. 曹正凤,纪宏,谢邦昌. 首都经济贸易大学学报. 2014(02)
[10]中国金融状况指数的构建及预测能力研究[J]. 徐国祥,郑雯. 统计研究. 2013(08)
博士论文
[1]谱聚类方法研究及其在金融时间序列数据挖掘中的应用[D]. 苏木亚.大连理工大学 2011
[2]时间序列相空间重构数据挖掘方法及其在证券市场的应用[D]. 陈佐.湖南大学 2007
硕士论文
[1]基于小波分析和ARMA-SVM模型的股票指数预测分析[D]. 丁玲娟.华东师范大学 2012
[2]基于数据挖掘技术的证券投资研究[D]. 蔡庭锟.武汉理工大学 2010
[3]基于数据挖掘的股票数据分析[D]. 张建军.中国石油大学 2010
[4]数据挖掘技术在证券分析中的研究及应用[D]. 丁廉业.西南财经大学 2009
[5]基于数据挖掘的金融时间序列预测分析与研究[D]. 裴双喜.大连海事大学 2008
[6]基于数据挖掘的金融预测模型[D]. 熊腾科.厦门大学 2006
[7]基于数据挖掘的股票分析与预测研究[D]. 赵永进.郑州大学 2005
本文编号：2975435
【文章来源】：江西财经大学江西省
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究背景与研究意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究综述
1.3 研究内容及技术路线
1.3.1 研究思路
1.3.2 研究方法
1.3.3 研究路线
1.4 论文的创新与不足
第2章 理论基础
2.1 数据挖掘概述
2.1.1 分类模型
2.1.2 回归模型
2.1.3 信息熵理论
2.2 金融时间序列相关理论
2.2.1 涨跌熵指数
2.2.2 股市日历效应概述
2.2.3 股市周期概述
2.2.4 时间序列相关理论
2.2.5 自回归条件异方差
2.3 基于数据挖掘的时间序列数据研究方法
2.3.1 数据挖掘技术之时间序列周期模式挖掘
2.3.2 数据挖掘技术之时间序列预测方法
第3章 中国股票市场涨跌序列规律研究
3.1 数据来源及处理
3.2 中国股票市场涨跌序列日历效应研究
3.2.1 中国股市涨跌序列统计分析
3.2.2 中国股市涨跌序列月份效应实证分析
3.2.3 中国股市涨跌序列星期效应实证分析
3.3 中国股票市场涨跌序列周期性实证研究
3.4 本章小结
第4章 中国股票市场涨跌序列概率预测研究
4.1 基于自回归移动平均的预测分析
4.2 基于机器学习算法的预测分析
4.3 基于深度学习算法的预测分析
4.4 模型对比分析
第5章 结论与展望
5.1 结论
5.2 展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于多尺度层级LSTM网络的时间序列预测分析[J]. 张旭东,杜家浩,黄宇方,石东贤,缪永伟. 计算机科学. 2019(S2)
[2]深圳股市日历效应的实证研究[J]. 谢世清,朱倩瑜. 商业研究. 2019(09)
[3]基于树结构长短期记忆神经网络的金融时间序列预测[J]. 姚小强,侯志森. 计算机应用. 2018(11)
[4]SDAE-LSTM模型在金融时间序列预测中的应用[J]. 黄婷婷,余磊. 计算机工程与应用. 2019(01)
[5]基于深度学习和股票论坛数据的股市波动率预测精度研究[J]. 陈卫华,徐国祥. 管理世界. 2018(01)
[6]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
[7]深度学习的金融实证应用:动态、贡献与展望[J]. 苏治,卢曼,李德轩. 金融研究. 2017(05)
[8]基于谱分析的中国科技创新与经济增长周期波动关系[J]. 闫中晓,贾永飞. 科技管理研究. 2016(09)
[9]使用随机森林算法实现优质股票的选择[J]. 曹正凤,纪宏,谢邦昌. 首都经济贸易大学学报. 2014(02)
[10]中国金融状况指数的构建及预测能力研究[J]. 徐国祥,郑雯. 统计研究. 2013(08)
博士论文
[1]谱聚类方法研究及其在金融时间序列数据挖掘中的应用[D]. 苏木亚.大连理工大学 2011
[2]时间序列相空间重构数据挖掘方法及其在证券市场的应用[D]. 陈佐.湖南大学 2007
硕士论文
[1]基于小波分析和ARMA-SVM模型的股票指数预测分析[D]. 丁玲娟.华东师范大学 2012
[2]基于数据挖掘技术的证券投资研究[D]. 蔡庭锟.武汉理工大学 2010
[3]基于数据挖掘的股票数据分析[D]. 张建军.中国石油大学 2010
[4]数据挖掘技术在证券分析中的研究及应用[D]. 丁廉业.西南财经大学 2009
[5]基于数据挖掘的金融时间序列预测分析与研究[D]. 裴双喜.大连海事大学 2008
[6]基于数据挖掘的金融预测模型[D]. 熊腾科.厦门大学 2006
[7]基于数据挖掘的股票分析与预测研究[D]. 赵永进.郑州大学 2005
本文编号：2975435
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/2975435.html
