导读:本文包含了股票价格指数预测论文开题报告文献综述及选题提纲参考文献，主要关键词:隐马尔科夫模型,ISODATA算法,人工神经网络算法,多日加权预测法
股票价格指数预测论文文献综述
王晨[1]（2018）在《基于隐马尔科夫模型的股票价格指数预测》一文中研究指出股票价格具有不确定性,如果投资者能够事先预测价格走势,就能够规避价格波动风险,减少投资损失,甚至获取超额收益。随着大数据的热潮,越来越多的统计学习模式应用到股票价格预测中,隐马尔科夫模型就是其中一个。隐马尔科夫模型在马尔科夫链的基础上发展而来,用来研究一组隐藏状态。该模型是一个双随机过程,由两部分构成:马尔科夫链和一般随机过程,分别用来描述状态之间的转移关系和状态、观测值之间的关系。本文基于隐马尔科夫模型对股票价格预测、股票市场状态等问题进行了实证研究,以股票价格指数——沪深300为研究对象,讨论了隐马尔科夫模型的相关理论在预测股票市场价格、状态方面的可行性,从而构建出适用于我国国情的股价预测模型。本文实证过程主要包括数据选取及检验、隐状态数目确定、参数估计以及预测等步骤,并且从叁个方面改进了基本的连续隐马尔可夫模型——基于人工神经网络算法优化模型输入、基于ISODATA算法优化模型初始值以及引入多日加权预测法预测股票价格,从而提出了一种改进的隐马尔科夫模型。本文改进的隐马尔科夫模型克服了基本模型不能预测具体价格数据的缺点,能够从全局和局部两个角度分别对市场状态和股指价格进行预测。与基本模型相比,改进模型预测误差大幅降低,MAPE值从1.24下降到0.75。实证结果表明,本文模型能够预测股票市场状态以及股票价格指数;股票市场处于某一状态(熊市或者牛市)会持续一段时间,从一个状态转移到另一个状态较为困难;本文改进的模型提高了预测准确性,对实际投资有一定的指导意义。(本文来源于《山东大学》期刊2018-04-20）
柏万宽[2]（2018）在《RNN神经网络在股票指数价格预测模型的研究与应用》一文中研究指出在今天的学习生活中,人工智能、机器学习、深度学习如火如荼的发展着,人工智能在自动驾驶领域的应用日趋成熟,机器学习、深度学习在语音识别、人脸识别、自然语言处理等领域的应用非常成功。股票市场是国家经济的晴雨表,股票指数是股票价值的直观反映。股票指数的价格具有容易受各种经济因素的影响,具有复杂的非线性、不稳定性等因素。循环神经网络在时间序列数据上的能力与计量经济学和统计学中的时间序列模型相比更好,传统神经网络在股票价格预测的能力已被充分挖掘。因此,提出基于循环神经网络的股票指数预测价格具有理论意义和应用价值。论文数据选取2000年3月27日到2018年3月20日香港恒生指数每日历史数据,数据来源于雅虎财经频道。采取了开盘价、最低价、最高价叁个数据属性,作为循环神经网络模型的输入变量。原始数据采集后去除缺失记录后剩余4390组数据。将原始数据分为两部分,原始数据的前70%的数据作为训练数据集,后30%作为测试数据集。训练数据集包含3083组数据,测试数据集包含1037组数据。采用了叁种神经网络模型:循环神经网络模型、长短期记忆神经网络模型、ClockworkRNN模型对香港恒生指数历史数据进行预测,并对预测结果进行了对比分析和评价。预测结果表明:Clockwork-RNN的预测效果最好,长短期记忆神经网络模型预测效果次之。叁个股票指数价格预测模型预测结果与实际价格的平均绝对误差与均方根误差的很小,长短期记忆神经网络预测模型和CW-RNN预测模型的两种误差更小。(本文来源于《重庆大学》期刊2018-04-01）
尤玉凤[3]（2017）在《基于上证指数的股票价格研究及预测》一文中研究指出有效地进行股票价格的预测,规避风险,增加收益,是目前股票投资者最关注的热点问题。因此对股票价格的具体研究与预测具有重大的现实意义。上证指数综合反映了中国股票价格总体状况,本文主要基于AR(5)等15个技术指标,尝试对上证指数的次日收盘价进行建模与预测,了解股票价格的状况与短期变化趋势。本文将首先介绍股票市场的研究背景及意义,并具体探讨股票性质、股票价格理论、影响股票价格变动的具体因素以及股票分析方法;然后基于灰色关联分析选取技术指标,利用2016年11月1日至2017年01月13日的上证指数数据进行股票价格和相关技术指标的多元回归建模,并对股票未来价格进行预测;最后分别建立BP神经网络模型和RBF神经网络模型,去探测股票价格发展趋势,继而得出拟合结果及预测值,并对两种模型进行比较。利用上证指数的实际值与预测值,比较多个模型的预测能力,发现基于灰色关联分析建立的主成分回归模型与BP、RBF神经网络模型都能较好地预测上证指数的次日收盘价。(本文来源于《苏州大学》期刊2017-04-01）
黄敬峰[4]（2017）在《基于二阶连续隐马尔可夫模型的股票价格指数预测》一文中研究指出股票价格指数指的是证券交易所选择部分具有代表性的股票通过一定的计算而产生的统计量。作为一个综合价格指标,它描述的是当地股市变动的情况。而股票价格指数变动的预测被认为是金融时间序列预测的一个具有挑战性的任务,正因为如此,越来越多的学者们都争先恐后地投入到了股票价格指数的预测中,使其成为了一个研究热门,因此开发高效的股票价格指数预测模型是非常有意义的。由于股票价格指数具有隐马尔可夫性,本文提出了一种新的基于隐马尔可夫模型的股票价格指数预测方法。通过推导Baum-Welch算法将一阶连续隐马尔可夫模型推广到二阶连续隐马尔可夫模型,结合预测方法预测股票价格指数的涨跌趋势以及涨跌幅度,成功得对股票价格指数进行了预测。本文主要包括以下工作:首先通过收集整理作为经济市场的一个重要衡量指标之一的美国S&P500指数数据,选取了其中2014年7月到11月的美国S&P500指数中的收盘价作为研究对象。利用Matlab画出的散点图可以清晰地发现美国S&P500指数的收盘价变化规律具有复杂的非线性和随机性。接着通过研究隐马尔可夫模型的性质,应用隐马尔可夫模型中对于评估问题、解码问题和学习问题的解决方案,构建了包含两个状态的模型,结合K-Means聚类算法利用二分法提出了一种新的股票价格指数预测模型。并且通过预测结果验证了该模型对于股票价格指数的预测具有一定的有效性和可行性。最后结合实际情况将离散的隐马尔可夫模型推广到连续隐马尔可夫模型,并且将一阶连续隐马尔可夫模型推广到二阶连续隐马尔可夫模型,结合提出的新的预测方法对股票价格指数进行了预测。通过比较两个模型的预测结果可知,二阶连续隐马尔可夫模型在股票价格指数的预测上要优于一阶连续隐马尔可夫模型,并且有着更快的收敛速度以及更高的精确度。(本文来源于《华北电力大学(北京)》期刊2017-03-01）
闫芳[5]（2016）在《基于小波消噪的股票价格指数ARIMA模型拟合与预测》一文中研究指出近年来,关于股票价格指数的分析与预测吸引着众多研究者,随着股票市场的迅速发展,市场运行复杂程度地不断提高,都要求股票市场的预测模型能够不断完善。现有的相关研究结果提供了很多新的模型,在一定程度上可以满足市场参与者规避、控制风险的需求。国内的股票市场起步较晚,无论是在理论研究方面还是市场运作应用方面均滞后于较发达国家和地区;且在股票市场的比较研究方面,国内的研究相对薄弱,因此对能给股票市场管理决策、政策制定提供有价值参考的相关研究成果的需求愈加迫切!本文以对上证综合指数、深成指数、香港恒生指数、台湾加权指数四个股票市场七日均值指数序列为研究对象,结合传统的时间序列ARIMA模型,通过多分辨小波变换对股指时间序列进行J次快速小波分解;然后对各层细节系数进行软阈值处理并实行快速小波重构;再对消噪后的股指时间序列进行ARIMA建模与预报研究。探析序列在小波消噪前后预测结果的变化,从大盘指数序列的特征分析入手,以期为大盘指数的预测提供更为有效的切入点,从而为广大市场参与者提供更为可靠的投资依据;同时通过实证分析,对四个市场的成熟程度进行比对研究,将小波消噪理论加入到传统的股指时间序列的估计、预测建模研究中,为我国股票市场结构分析、市场发展预期、市场成熟度量等方面提供新的研究思路和视角。结果表明,针对香港恒生指数、台湾加权指数此类发达市场,去噪后可以获得更准确的预测结果。而对于欠发达市场指数如上证综合指数、深成指数,去噪后预测效果并没有变得更好。这是符合这些市场现状的,较发达市场有更好的可预测性,因为他们有更好的市场制度及市场秩序,以及更有经验的投资者,对于欠发达市场而言,许多投资者缺乏经验,他们的行为受许多因素的影响表现的更为显着。同时,相比较于欠发达市场,发达市场数据中高频信号可以更容易的从噪声中区分开来,这部分有价值的高频信号的保存及生成对于后续预测建模过程有着积极的作用。本文研究有助于投资者判断股票市场的情况,并做出相应的举措。(本文来源于《江西财经大学》期刊2016-06-01）
胡宝予[6]（2014）在《基于RBF神经网络下的股票价格指数预测分析——以深证信息技术行业指数为例》一文中研究指出股票市场是一个极其复杂的非线性动态系统,在金融市场中占据着重要的地位。随着证券市场的不断发展与完善,投资者越来越重视股价指数的变化趋势。因此,利用相关模型预测行业价格指数趋势显得尤为重要。本文以深证信息技术行业指数为例,选用神经网络中比较经典的RBF(径向基)神经网络,使模型具有运算速度和外推能力,更具较强的非线性映射功能,从而较好的预测出该行业的未来一段时间的运行趋势,为投资决策提供依据。(本文来源于《时代金融》期刊2014年23期）
郑伟伦[7]（2014）在《上证综合指数股票价格短期预测——基于ARIMA模型的研究分析》一文中研究指出随着中国资本主义市场的迅速发展和居民收入水平的持续走高,越来越多的人参与到股票市场的投资中,但它的高风险及市场的复杂性,需要一种科学的预测方法来指导投资,从而规避风险,获得较好的投资回报。在承认股票价格存在可预测性的前提下,基于时间序列分析的ARIMA大概预估未来的短期趋势而不是精确到未来的股票价格。(本文来源于《经济研究导刊》期刊2014年16期）
梅南[8]（2014）在《基于递归神经网络的股票指数价格预测分析》一文中研究指出金融资产价格的时间序列预测在经济学中是一个重要的研究领域。传统的计量方法一直在预测研究和实践领域中占据着重要地位。虽然随机漫步理论声称，价格的变化是连续和独立的，但部分学者已经观察到，市场部分表现并不是有效的，市场价格的变动并不是随机的而是部分可预测的。价格指数的时间序列是非线性的、非平稳和混沌的，其中价格指数的结构性变化受多种因素的影响。而采用经典计量经济学方法，来预测价格指数的变化，由于需要许多限制性条件和不切实际的假设，逐渐变得不可能。因此，在应用数学和智能方法最近取得的新成就基础上，人们试图使用人工神经网络来解决这些问题。BP神经网络，由于结构相对简单，而且算法相对成熟，使其在时间序列预测，特别是在股票价格预测的应用中非常流行。然而，由于其本身是一种静态神经网络，而股票市场存在的自相似性，且价格的变化常常表现出一定的长期记忆性，使得股票价格呈现一定的动态特征。通过使用动态的反馈神经网络，对时间序列的长期记忆性进行刻画，能够更好地预测股票价格的变动。因此，本文对沪深300指数每日收盘价的时间序列，进行了正态分布检验和相关性检验，并引入BDS独立同分布检验，同时运用重标极差法计算了序列的Hurst值，以发现它的动态特征，并通过建立动态反馈神经网络中的两层——Elman神经网络来进行预测，并使用相对预测误差来对模型进行评价。(本文来源于《吉林大学》期刊2014-05-01）
蒋国均[9]（2014）在《我国沪深股票市场价格指数相关性分析及预测研究》一文中研究指出上海证券交易所和深圳证券交易所经过二十多年的发展，虽然已经取得了长足的发展，但是两个市场还是存在着诸如市场结构不均衡、运作不规范等问题。特别是在1997年和2007年两次金融危机中，我国股票市场呈现出剧烈的波动趋势。本文对我国沪深两市股票市场的波动性展开相关性分析和预测研究。首先利用EMD方法将沪深两市的股票价格指数分解成若干不同频率的分量，然后根据不同分量的周期、均值、方差等特征进行构建组合，提取出市场波动项、重大事件影响项和长期趋势项叁个时间序列。其次利用协整检验、Granger因果检验等方法对沪深两个市场的叁个时间序列分别进行相关性分析，模型研究结果表明，我国沪深两市存在着较高的联动性。最后本文还对叁个时间序列分别构建不同的SVM预测模型，得到各个序列的预测值，再将各序列预测值进行组合得到最终的预测结果。结果表明，该方法比单一的SVM预测模型精度更高。(本文来源于《暨南大学》期刊2014-04-20）
刘道文,樊明智[10]（2013）在《基于支持向量机股票价格指数建模及预测》一文中研究指出为提高预测精度,采用基于支持向量机理论的预测方法对股票价格指数进行预测。文章在分析支持向量机预测基本原理基础上,以交叉验证法确定了最佳回归参数并以此建立了预测模型。对上海证券交易所的股票价格指数进行预测,研究结果表明基于支持向量机预测法能较准确地反映股票价格指数的变化趋势且提高了预测精度,验证了此方法在股票价格指数预测中的可行性。(本文来源于《统计与决策》期刊2013年02期）
股票价格指数预测论文开题报告
（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：
在今天的学习生活中,人工智能、机器学习、深度学习如火如荼的发展着,人工智能在自动驾驶领域的应用日趋成熟,机器学习、深度学习在语音识别、人脸识别、自然语言处理等领域的应用非常成功。股票市场是国家经济的晴雨表,股票指数是股票价值的直观反映。股票指数的价格具有容易受各种经济因素的影响,具有复杂的非线性、不稳定性等因素。循环神经网络在时间序列数据上的能力与计量经济学和统计学中的时间序列模型相比更好,传统神经网络在股票价格预测的能力已被充分挖掘。因此,提出基于循环神经网络的股票指数预测价格具有理论意义和应用价值。论文数据选取2000年3月27日到2018年3月20日香港恒生指数每日历史数据,数据来源于雅虎财经频道。采取了开盘价、最低价、最高价叁个数据属性,作为循环神经网络模型的输入变量。原始数据采集后去除缺失记录后剩余4390组数据。将原始数据分为两部分,原始数据的前70%的数据作为训练数据集,后30%作为测试数据集。训练数据集包含3083组数据,测试数据集包含1037组数据。采用了叁种神经网络模型:循环神经网络模型、长短期记忆神经网络模型、ClockworkRNN模型对香港恒生指数历史数据进行预测,并对预测结果进行了对比分析和评价。预测结果表明:Clockwork-RNN的预测效果最好,长短期记忆神经网络模型预测效果次之。叁个股票指数价格预测模型预测结果与实际价格的平均绝对误差与均方根误差的很小,长短期记忆神经网络预测模型和CW-RNN预测模型的两种误差更小。
（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。
股票价格指数预测论文参考文献
[1].王晨.基于隐马尔科夫模型的股票价格指数预测[D].山东大学.2018
[2].柏万宽.RNN神经网络在股票指数价格预测模型的研究与应用[D].重庆大学.2018
[3].尤玉凤.基于上证指数的股票价格研究及预测[D].苏州大学.2017
[4].黄敬峰.基于二阶连续隐马尔可夫模型的股票价格指数预测[D].华北电力大学(北京).2017
[5].闫芳.基于小波消噪的股票价格指数ARIMA模型拟合与预测[D].江西财经大学.2016
[6].胡宝予.基于RBF神经网络下的股票价格指数预测分析——以深证信息技术行业指数为例[J].时代金融.2014
[7].郑伟伦.上证综合指数股票价格短期预测——基于ARIMA模型的研究分析[J].经济研究导刊.2014
[8].梅南.基于递归神经网络的股票指数价格预测分析[D].吉林大学.2014
[9].蒋国均.我国沪深股票市场价格指数相关性分析及预测研究[D].暨南大学.2014
[10].刘道文,樊明智.基于支持向量机股票价格指数建模及预测[J].统计与决策.2013