导读:本文包含了股票收盘价论文开题报告文献综述及选题提纲参考文献，主要关键词:S&P500,GARCH模型,收盘价预测
股票收盘价论文文献综述
朱慧慧[1]（2019）在《基于GARCH模型的股票收盘价预测实证分析——以S&P500为例》一文中研究指出本文以2010年5月5日至2019年5月5日S&P500股票收盘价为研究对象,应用GARCH模型,将S&P500股票收盘价的水平模型和波动模型结合起来进行实证分析,实证分析结果表明拟合GARCH,对股票投资者在一段时间内预测收益率是否有较大的波动,有较好的预测作用,希望为投资者做决策提供一定参考意见。(本文来源于《通讯世界》期刊2019年08期）
黎镭,陈蔼祥,李伟书,梁伟琪,杨思桐[2]（2018）在《GRU递归神经网络对股票收盘价的预测研究》一文中研究指出股票市场是个多变且复杂的非线性动力学系统,股票价格是个具有时序性的数据,基于此选用具有时间记忆功能的GRU(Gated Recurrent Unit)递归神经网络模型来处理时间序列数据的预测问题。本文选取上证中18支证券行业股票的日收盘价数据,该数据截止日期为2017年12月29日,每支股票数据量为1000天。本文作了2个实证研究,一方面用GRU递归神经网络预测未来10天的股票日收盘价,实证结果表明,GRU递归神经网络的测试误差和验证误差都比其余2个模型得到的同种类型的误差要小,而GRU递归神经网络在预测未来10天日收盘价的精度达到了98. 3%,体现了GRU强大的学习能力和泛化能力。另一方面,对比序列长度分别为240天、120天以及60天时,GRU递归神经网络的测试误差、预测收盘价的方差以及验证误差。结果表明面对不同序列长度的数据集,GRU预测精度都很高,序列长度为240天的GRU模型得到的测试结果的方差明显低于其他2个,说明其稳定性更好。(本文来源于《计算机与现代化》期刊2018年11期）
于庆年[3]（2018）在《上证指数与股票收盘价相关性实证研究》一文中研究指出本文针对相关系数的特征,提出全集相关系数及子集相关系数序列方法;以1990年12月19日-2016年12月30日披露的部分个股收盘价及上证指数数据为样本,按照"一一对应"原则进行了数据挖掘,研究筛选后的样本数据。研究结果表明,上证指数与不同的个股收盘价存在着不同程度相关性;个股收盘价与上证指数的相关性随时间而发生变化;以上证指数为参照系,有效研判个股的变化特征。本文的研究结论为证卷市场股票分类及参照上证指数实施股票投资操作提供重要依据。(本文来源于《数理统计与管理》期刊2018年02期）
祝万伟,李福安[4]（2015）在《股票收盘价建立广义自回归条件异方差模型的实证分析》一文中研究指出本文简要介绍了ARCH类模型理论,阐述了ARCH模型的建立过程及ARCH效应的检验方法。然后在根据太平洋股票叁年的每日收盘价数据建立多个GARCH模型,再从中选取最理想的模型,并基于此模型进行短期预测,最后通过评价分析模型的短期预测结果,来看模型建立的适合程度,以此做一个完整的利用GARCH模型研究股票的实证分析。(本文来源于《区域金融研究》期刊2015年09期）
庞磊成[5]（2014）在《叁环集团昨登陆深交所创业板》一文中研究指出本报深圳电（ 庞磊成）昨天，潮州叁环（集团）股份有限公司人民币普通股股票在深圳证券交易所创业板上市。股票简称为“叁环集团”，股票代码为“300408”，公司首次公开发行股票数量为4600万股，全部为公开发行新股，发行价格29.39元/股。(本文来源于《潮州日报》期刊2014-12-04）
喻枫[6]（2007）在《基于小波的股票收盘价分析》一文中研究指出论文以上海航空股票157个交易日收盘价作为原始数据,用小波分析理论和Matlab为工具,采用coif5和db4小波对股票进行技术分析,结果表明:与传统分析方法相比,改进后的模型能得到更多的买卖信息,而且价差更大,效果显着,充分显示了小波分析在股市技术分析中的强大生命力。(本文来源于《襄樊职业技术学院学报》期刊2007年05期）
于庆年[7]（2005）在《股票收盘价波动数学模型及其应用分析》一文中研究指出本文以股票收盘价波动因素分析成熟的定性理论及证券操作经验为基础,建立股票收盘价的数学模型,并应用该模型对某种股票作了实证分析,阐述了该方法在实践中的意义。(本文来源于《数理统计与管理》期刊2005年02期）
股票收盘价论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
股票市场是个多变且复杂的非线性动力学系统,股票价格是个具有时序性的数据,基于此选用具有时间记忆功能的GRU(Gated Recurrent Unit)递归神经网络模型来处理时间序列数据的预测问题。本文选取上证中18支证券行业股票的日收盘价数据,该数据截止日期为2017年12月29日,每支股票数据量为1000天。本文作了2个实证研究,一方面用GRU递归神经网络预测未来10天的股票日收盘价,实证结果表明,GRU递归神经网络的测试误差和验证误差都比其余2个模型得到的同种类型的误差要小,而GRU递归神经网络在预测未来10天日收盘价的精度达到了98. 3%,体现了GRU强大的学习能力和泛化能力。另一方面,对比序列长度分别为240天、120天以及60天时,GRU递归神经网络的测试误差、预测收盘价的方差以及验证误差。结果表明面对不同序列长度的数据集,GRU预测精度都很高,序列长度为240天的GRU模型得到的测试结果的方差明显低于其他2个,说明其稳定性更好。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
股票收盘价论文参考文献
[1].朱慧慧.基于GARCH模型的股票收盘价预测实证分析——以S&P500为例[J].通讯世界.2019
[2].黎镭,陈蔼祥,李伟书,梁伟琪,杨思桐.GRU递归神经网络对股票收盘价的预测研究[J].计算机与现代化.2018
[3].于庆年.上证指数与股票收盘价相关性实证研究[J].数理统计与管理.2018
[4].祝万伟,李福安.股票收盘价建立广义自回归条件异方差模型的实证分析[J].区域金融研究.2015
[5].庞磊成.叁环集团昨登陆深交所创业板[N].潮州日报.2014
[6].喻枫.基于小波的股票收盘价分析[J].襄樊职业技术学院学报.2007
[7].于庆年.股票收盘价波动数学模型及其应用分析[J].数理统计与管理.2005