导读:本文包含了股指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:分形插值,SVM,BP神经网络,股指序列
股指预测论文文献综述
朱婷,马洁,王宏勇[1](2019)在《基于分形插值与机器学习模型的股指分析和预测》一文中研究指出股票市场预测一直是金融市场分析中的热点和难点,一些传统的预测模型很难对股票市场做出有效的预测;针对这一问题,将分形插值方法与机器学习算法相结合,提出了分形插值与SVM以及分形插值与BP神经网络两种混合模型;所提的混合模型利用机器学习算法首先计算出分形插值所需要的插值点,然后建立分形插值外推模型对所需其他值进行预测;实证结果发现两个混合模型的预测效果均比单独使用分形插值模型预测效果更佳,预测精度更高;因此分形插值方法与机器学习算法相结合所得到的混合模型,能较好地预测诸如股票市场指数等非平稳金融时间序列。(本文来源于《重庆工商大学学报(自然科学版)》期刊2019年06期)
耿立艳,张占福,梁毅刚[2](2019)在《中国股指波动率的PSOUGM-GARCH类预测模型》一文中研究指出为提高GARCH类模型的波动率预测能力,将粒子群优化算法(PSO)与无偏灰色预测(UGM(1,1))模型引入到GARCH类模型中,构建PSOUGM-GARCH类模型。UGM(1,1)模型用于修正GARCH类模型的随机误差项,增强当期随机误差对条件方差的影响。同时利用PSO算法优化UGM(1,1)模型中的灰参数。通过对沪深300指数和深证综指的实证研究,比较分析了PSOUGM-GARCH类模型的样本外预测能力。结果表明,与UGM-GARCH类模型、GM-GARCH类模型和GARCH类模型比较,PSOUGM-GARCH类模型都能更准确地预测沪深300指数和深证综指的收益波动率,其中,PSOUGM-GARCH模型的样本外预测能力最优,PSOUGM-GJR-GARCH模型次之,PSOUGM-EGARCH模型的预测能力最低。(本文来源于《中国管理信息化》期刊2019年19期)
刘庆富,谢雨池,孙传欣[3](2019)在《我国股指期货提前交易的信息内涵及其预测能力》一文中研究指出利用日内数据研究我国股指期货市场提前交易期间的信息内涵及其预测能力。实证结果表明:我国股指期货的提前交易具有丰富的信息内涵;并且,所构建的偏度、峰度和交易量等交易指标不仅能够解释股票现货和期货市场的隔夜收益率,还能解释股指期货的日内收益。这意味着我国股指期货的提前交易不仅反映公开信息,还能反映私人信息。由此,进一步给出了基于提前交易信息投资管理的对策建议。(本文来源于《东南大学学报(哲学社会科学版)》期刊2019年04期)
王宏涛,李岚[4](2019)在《沪深300股指期现货间价格波动关系与走势预测》一文中研究指出针对沪深股市时间序列的预测不稳定问题,分析股指期货与现货市场之间的价格传导关系与波动相关性。运用向量自回归(vector autoregressions,VAR)模型与动态条件相关多元-广义自回归条件异方差(dynamic conditional correlation-generalized autoregressive conditional heteroscedasticity, DCC-GRACH)模型,对期货与现货价格波动联动性进行实证分析,构建长短期记忆(long-term and short-term,LSTM)神经网络算法对沪深300股指现货价格走势进行动态预测,分别选取2016年9月至2019年4月沪深300指数的期货与现货价格作为研究对象。结果表明,股指期货市场与现货市场价格的传导过程,存在领先滞后关系,价格波动之间显着具有时变、持续的动态相关性与长期均衡关系, LSTM算法利用股指期货的价格较为精确地预测现货价格的变化范围与走势,序列参数越长,算法的准确率与预测结果越精准。(本文来源于《西安邮电大学学报》期刊2019年04期)
王晓倩,侯志芳,耿兴波,邱小燕[5](2019)在《纳斯达克半导体行业股指统计特性及其神经网络预测技术研究》一文中研究指出金融时间序列统计特性和神经网络预测研究对于掌握金融市场发展规律,并指导长期或短期投资行为具有重要意义。采用经验模态分解(EMD)、时间内禀相关分析(TDIC)和Hilbert谱分析等方法对纳斯达克半导体行业股指进行了尺度统计分析,并利用先验的神经网络对纳斯达克半导体行业股指进行了预测。统计分析发现,各阶本征模态函数(IMF)呈现一定的周期性,能谱分析的结果显示半导体行业股具有统计行为;利用先验的神经网络对半导体股指进行预测,发现半导体行业股指将会在未来一段时间内保持振荡趋势,不同的反向传播(BP)神经网络预测模型可以有效应对半导体行业长期和短期投资方案,可为投资者提供有效的借鉴。(本文来源于《应用技术学报》期刊2019年02期)
李佳,黄之豪,陈冬兰[6](2019)在《基于LSTM等深度学习方法的股指预测研究》一文中研究指出为了改善传统时间序列方法无法在预测模型中添加相关变量等缺点,并提高股指预测精度,运用LSTM神经网络等深度学习方法对我国上证指数及沪深300指数进行预测分析,并将预测结果与RNN、CNN、ARMA等模型进行比较,然后在模型中加入百度指数测试其对预测精度的影响,最后检验LSTM模型对训练步长的敏感性。研究结果表明,LSTM能够实现对股指的精准预测,其预测评价指标MAE、MAPE、RMSE分别为0.008、0.025、0.011,预测误差低于其它模型,加入百度指数可进一步提升其预测能力,但改变LSTM模型训练步长对结果影响不大。因此,LSTM模型在金融经济预测领域有较高的应用价值。(本文来源于《软件导刊》期刊2019年09期)
李小娜[7](2019)在《小波神经网络方法研究及其在股指期货预测中的应用》一文中研究指出在国际市场上,股指期货近年来已成为最广泛的风险管理工具,股指期货以股价指数作为标的物在指定日期内进行交易.为避免一些人为可控干扰因素,本文主要分析对象是相对较成熟的上证50股指期货,上证指数由上海证券交易所编制的,并以挂牌上市的所有股票为计算范围,将发行量看作权数综合的一系列指数,股指反映的是股票样本整体的价格变动情况,上证50指代表的是超大型的蓝筹股走势,是股指期货中的重要标的指数,它反映了交易市场的总体走势,因为上证股指是综合多种个股的很多因素而形成的,即使有个股被控制炒作,但通常情况下,只要大部分个股符合市场规律,则上证股指依然可以反映市场规律.所以研究关于上证50的预测方法对于国民经济发展具有重要意义.目前,股指期货的预测方法有很多,随着股指期货市场发展得越来越复杂,通过单一的神经网络的预测技术不足以达到人们的预期效果,小波分析是近30年来发展起来的一个新兴的前沿研究领域,是继Fourier分析后的一个划时代的发展结果,小波技术由于自身特性而可以和神经网络结合在一起进行预测,这样能够让各个性能更加优越,并有效避免了神经网络模型中的不足之处,它的出现为很多领域提供了有效的方法,不仅对数学基础理论,而且对科技界和工程界等方面都起到了深远影响.此外,小波神经网络的研究在最近几年发展得也很快,这种智能综合研究将两种甚至多种方法结合起来,可以将多种方法的优点综合利用,或者可以让它们之间进行互补以形成一种新型的方法.本文研究小波和神经网络以不同形式结合的模型的预测效果,其中神经网络选用BP神经网络,将小波和BP神经网络通过分离式和嵌入式进行结合,并利用上证50进行实证分析比较.首先介绍分离式多小波神经网络,该模型是利用多小波进行了去噪处理,再利用神经网络对去噪信号进行训练学习,其中多小波通过多个小波在不同维度上进行变换,将很多信息可以挖掘出来,它与神经网络相结合使得训练更充分,精确度更高,相对而言网络结构稳定;其次关于嵌入式,本文提出单隐层和双隐层两种类型分别于单小波和双小波进行结合,并比较这四种结构模型的预测效果,这里通过引入多隐层将多小波与双隐层神经网络进行结合,有效的增加预测精度,并提出双隐层网络结构,相应构造了双隐层单小波和多小波网络模型,这种模型结构改变了小波神经网络的学习模式,还可以保留前几种小波神经网络模型的全部优点,此外,在模型优化过程中加入动量因子,以使网络收敛速度较快而且避免求得局部最优解.本文将五种模型通过上证50指数进行实证分析,其中上证50股指选取了256个交易日的数据,文章用上证50指的开盘价、最高价、最低价、成交量、总金额5个指标作为输入来进行分析,通过对股市的综合分析,收盘价是一天多方交战的最后数据,也是第二天开盘价的依据,它能刻画和评估一天的运行走势,所以输出选用收盘价来进行预测.最终试验结果表明,在五种模型中,嵌入式双隐层多小波神经网络预测模型的泛化能力最强,预测效果最好,而且学习速度得到了有效提高,以此对各模型的性能以及优缺点进行比较分析,该模型的提出对股市预测研究起到了很重要的应用研究价值,而且对于促进我国发展市场经济有重要的战略意义.(本文来源于《北京交通大学》期刊2019-06-01)
许美莹[8](2019)在《深度森林在股指涨跌预测和投资策略中的应用》一文中研究指出近年来,在金融时间序列的预测问题中,股票价格指数涨跌预测是投资者和研究人员最具挑战性的金融时间序列预测问题之一。由于机器学习方法与金融时间序列的特点相契合且机器学习方法在分类和预测等问题上具有很强的性能,越来越多的机器学习方法应用在金融时间序列的预测问题上。本文首先简述了四种机器学习分类模型的理论知识。然后,以四种模型为基础构建股指涨跌预测模型,归纳总结前人的研究成果,选取了8个技术指标作为模型的输入特征,并应用了针对输入特征的离散化处理方式。将股指涨跌预测模型应用于沪深300指数上,对四个模型进行验证。通过对比分析四种机器学习算法针对不同预测频率的预测性能,充分验证了基于改进输入方式的深度森林模型在股指涨跌预测问题上的有效性,在日频和周频的股指涨跌预测中,该模型的准确率分别为59.78%和67.11%,AUC值分别为0.5514和0.6429,表现出十分显着的分类性能优势。最后,本文基于深度森林预测模型,构建了两个趋势择时策略,一种是基于指数基金的择时策略,另一种是基于沪深300成分股的股票组合的择时策略。两个择时策略在回测期间均具有良好的表现,在收益、风险和风险调整收益方面优于市场。本文提出的基于改进输入方式的深度森林模型在股指涨跌预测和投资策略构建上可以得到较理想的结果,具有实际的应用价值,能够为广大的机构投资者和散户提供借鉴和帮助。(本文来源于《山东大学》期刊2019-05-20)
袁金铭[9](2019)在《基于奇异谱分析的ARMA-SVR模型在股指预测中的应用》一文中研究指出如今,股票市场是世界最大的金融市场之一,预测股票的未来状态一直是股票市场参与者关注的焦点。然而股票市场易受多种因素影响的特点,使股票价格不断波动变成一种极不稳定的时间序列。面对瞬息万变的金融市场,人们一直致力于研究股票价格指数及其走势特点,因此,对股票价格指数变动的准确预测对于指导股票市场交易有着重要意义,主要体现在两方面:一是从国家角度看,预测股票价格指数变动能切实反映整个股市的波动规律和趋向走势,有助于预估国民经济的未来变化,为国家制定财政政策、管理金融投资提供依据,从而有效规避金融风险,加强股票市场的稳定性和流动性,促进经济事业的健康持续发展;二是从投资者角度来说,投资者可以据此预测股票市场的发展动向,进而合理配置个人资产,根据风险偏好选择不同收益水平的投资组合,在获取高收益的同时也能最大限度地规避股票市场的隐藏风险。作为时间序列分析中概念较新的一种非参数数据驱动技术——奇异谱分析(Singular Spectrum Analysis,SSA)技术,它摆脱了各种传统研究方法的限制,它通过创建时间序列的轨迹矩阵和利用线性代数中的奇异值分解(Singular Value Decomposition,SVD)来构造相应的奇异值序列,从而形成相应的奇异值谱。由于不同大小的奇异值所反映的时间序列的信息也不同,因此,SSA可将原始序列分解为几个独立的、可解释的分量之和,以捕捉时间序列的不同分量的信息,故常常被用作传统预测方法的预处理手段。然而在降噪时,若人为地通过奇异值来确定噪声成分,就不可避免地掺杂了主观因素,导致降噪后的序列要么信息损失过多要么过于拟合,预测精度并不高。而且值得注意的是,噪声分量迅速变化造成的波动虽然很小,对整个股票价格波动的影响较弱,但这种波动能反映短期内股票价格的局部变化。因此,噪声成分不适合预测股票价格的长期走势,但可用于预测股价的短期变化。基于此,本文提出的基于奇异谱分析的自回归移动平均模型(Autoregressive入Moving Average Model,ARMA)和支持向量机回归(Support Vector)Machine Regression,SVR)相结合的股票价格指数预测模型,充分发挥出不同预测模型的优势,对股指序列的短期趋势做了更为准确的预测,主要步骤如下:首先,介绍了奇异谱分析、支持向量机和自回归移动平均模型的原理和建模流程;其次,以上述模型为基础,应用奇异谱分析技术将原始数据序列分解为趋势序列、波动序列和噪声序列叁部分,然后对得到的子序列分别进行平稳性检验,并采用SVR模型来预测非平稳序列,采用ARMA模型来预测平稳序列,通过整合得到最终预测结果;最后,与基于奇异谱分析的叁种支持向量回归模型进行比较,并采用不同的模型评价标准对预测效果进行比较。结果表明,利用奇异谱分析的方法提取出的噪声序列中还存在着有用信息,因此保留噪声序列并对其进行分析是有必要的;经过奇异谱分析得到的子序列结构变得更为简单,更容易被模拟;本文提出的基于奇异谱分析的ARMA和SVR相结合的预测模型比基于奇异谱分析的SVR单一模型对股指预测有更高的精度。(本文来源于《山东大学》期刊2019-05-20)
王运豪[10](2019)在《基于ARIMA-GARCH和SVR组合模型的股指预测研究》一文中研究指出随着大数据时代的到来,人们对金融市场的认识进一步深化,金融数据预测成为经济学、统计学和计算机科学研究的热点话题。如何能准确地预测金融资产的价格,对社会经济发展具有重大意义。对金融市场波动性的深刻描述一般是从ARIMA-GARCH模型开始的。然而,传统的时间序列ARIMA-GARCH模型对非线性因素的把握存在一定的不足。而诸如支持向量机等机器学习方法,对数据有着更少的假设,并且能检测数据中的非线性模式,这就克服了传统方法的线性限制。因此,这些方法被普遍用于处理金融市场的非线性和波动性。考虑到ARIMA-GARCH模型处理时间序列数据条件异方差的优势,以及支持向量回归(SVR)处理非线性数据的优势,本文提出SVR-ARMA-GARCH模型。它是ARIMA-GARCH模型和SVR模型的组合模型,是传统时间序列分析和现代机器学习模型的组合。同时,本文还提出了另一种组合模型GARCH-SVR模型,以便后续对若干模型进行比较。为了检验模型的性能,本文利用ARIMA-GARCH模型、SVR模型、GARCHSVR模型和SVR-ARMA-GARCH模型,对股票指数进行预测研究,检验模型的性能。同时,特征选择是也是SVR的重要问题。本文利用股票技术分析指标和特征选择算法,以此来选择SVR中的变量,并利用多组股票数据构建四个模型并利用模型评价指标对其进行评价。实证结果表明:(1)SVR-ARMA-GARCH模型在四个模型中预测精度最高,加入了SVR预测结果的SVR-ARMA-GARCH模型比ARIMA-GARCH模型的MAE、RMSE均有明显地提升。(2)在SVR中进行特征选择,尤其是加入了GARCH项的GARCH-SVR模型,能够提高SVR的预测精度。(本文来源于《东北师范大学》期刊2019-05-01)
股指预测论文开题报告
(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:
为提高GARCH类模型的波动率预测能力,将粒子群优化算法(PSO)与无偏灰色预测(UGM(1,1))模型引入到GARCH类模型中,构建PSOUGM-GARCH类模型。UGM(1,1)模型用于修正GARCH类模型的随机误差项,增强当期随机误差对条件方差的影响。同时利用PSO算法优化UGM(1,1)模型中的灰参数。通过对沪深300指数和深证综指的实证研究,比较分析了PSOUGM-GARCH类模型的样本外预测能力。结果表明,与UGM-GARCH类模型、GM-GARCH类模型和GARCH类模型比较,PSOUGM-GARCH类模型都能更准确地预测沪深300指数和深证综指的收益波动率,其中,PSOUGM-GARCH模型的样本外预测能力最优,PSOUGM-GJR-GARCH模型次之,PSOUGM-EGARCH模型的预测能力最低。
(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。
股指预测论文参考文献
[1].朱婷,马洁,王宏勇.基于分形插值与机器学习模型的股指分析和预测[J].重庆工商大学学报(自然科学版).2019
[2].耿立艳,张占福,梁毅刚.中国股指波动率的PSOUGM-GARCH类预测模型[J].中国管理信息化.2019
[3].刘庆富,谢雨池,孙传欣.我国股指期货提前交易的信息内涵及其预测能力[J].东南大学学报(哲学社会科学版).2019
[4].王宏涛,李岚.沪深300股指期现货间价格波动关系与走势预测[J].西安邮电大学学报.2019
[5].王晓倩,侯志芳,耿兴波,邱小燕.纳斯达克半导体行业股指统计特性及其神经网络预测技术研究[J].应用技术学报.2019
[6].李佳,黄之豪,陈冬兰.基于LSTM等深度学习方法的股指预测研究[J].软件导刊.2019
[7].李小娜.小波神经网络方法研究及其在股指期货预测中的应用[D].北京交通大学.2019
[8].许美莹.深度森林在股指涨跌预测和投资策略中的应用[D].山东大学.2019
[9].袁金铭.基于奇异谱分析的ARMA-SVR模型在股指预测中的应用[D].山东大学.2019
[10].王运豪.基于ARIMA-GARCH和SVR组合模型的股指预测研究[D].东北师范大学.2019