王莎[1]2008年在《BP神经网络在股票预测中的应用研究》文中指出随着经济的发展和人们投资意识的转变,股票投资已成为现代人生活中一个重要组成部分,而股票价格的预测也成为投资者关心和研究的重点。由于股票投资的收益与风险往往是成正比的,如何建立一个运算速度和精确度都比较高的股市预测模型,对于金融投资者具有理论意义和实际应用价值。本文在深入分析股票市场预测面临的关键问题和比较各种股票预测方法的基础上,探讨利用BP(Back Propagation)神经网络对股票走势进行分析和预测的可行性。BP网络通过对以往历史数据的学习,找出股市发展的内在规律,并将其存储在网络具体的权值、阀值中,用以预测未来的走势。针对BP算法在股市预测中存在的学习速度慢、容易陷入局部极小值、预测结果精度不高等问题,提出一种改进的BP神经网络算法。通过重新选取神经元的激活函数,对输出层和隐层中神经元转换函数的权值、缩放系数和位移参数进行调整,减少隐层节点数,加快BP网络的收敛速度。根据BP网络进行股市预测的原理,建立基于BP网络的股市预测模型,采用改进后的BP算法进行股市预测,并通过MATLAB软件对其预测过程进行仿真实验。在仿真过程中对BP算法和改进后的BP算法在预测股票中的收敛性能进行比较,并以湖南叁一重工的股票价格为例,对所建的预测模型进行训练,并用训练好的BP网络股市预测模型来预测其股票数据,达到了预测效果。
张承钊[2]2016年在《一种金融市场预测的深度学习模型：FEPA模型》文中进行了进一步梳理在全球经济、金融一体化的今天,金融市场不断呈现出很多经典金融理论无力解释的复杂现象,主要表现为:金融市场不再是有效市场假说描述下的理想市场,金融市场呈现出的高智能性、强相关性、紧耦合性使它成为一个复杂的非线性动力系统。构建预测模型对这样一个复杂的非线性动力系统进行描述,揭示金融时间序列运行的内在规律,并在世人面前展示它的演化机制,方便人们防范金融风险、管理市场和监督市场,毫无疑问都具有重大的现实意义和理论价值,这也是本文研究的意义和背景所在。深度学习已经成为人工智能中最有代表性的、最有潜力的智能系统建模技术。在完备信息博弈领域,谷歌的阿尔法围棋已经以压倒优势击败世界围棋冠军,为深度学习做出了令人震惊的能力展示。然而,金融市场的复杂性远远超出了所有的棋类博弈,呈现出开放、非稳态、无穷方博弈的特征。本论文专门研究作为深度学习的主要范式之一的深度分合神经网络模型在金融时间预测上的可行性和效能水平。这种范式在本论文中具体表现为FEPA模型:FTS+EMD+PCA+ANN。下面逐步展开说明。1998年来自NASA的黄锷等提出一种新的信号分析方法——经验模态分解(Empirical Mode Decomposition,EMD)。经验模态分解方法无需提前设定基函数,按照时间序列自身的尺度特征分解时间序列。而应用傅里叶变换时,谐波基函数需要预先设定,小波变换需要预先设定小波基函数。经验模态分解方法在傅里叶变换和小波变换的基础上进一步改进了分解后时间序列的局部特征,是一种更有效的数据挖掘预处理算法。由于经验模态分解方法具有这些处理数据的良好特性,任何类型的信号理论上都可以用经验模态方法分解,因而对非线性非平稳多尺度特征的数据进行信号处理具有非常明显的优势。所以,经验模态分解方法提出之后不久就迅速有效地应用到多个工程领域中。首先,本文基于EMD分解方法提出了一个新的组合预测模型:FEPA模型。(FTS-EMD-PCA-ANN)该模型基于金融时间序列特殊经验模态分解(Financial Time Series Empirical Mode Decomposition,FTS-EMD)、主成分分析(Principal Component Analysis,PCA)和人工神经网络(Artificial Neural Network),针对非线性、非平稳、多尺度的复杂金融时间序列建模和预测,预测股市指数和外汇汇率,实证研究了这一金融市场研究中的热点领域。本文提出的组合预测模型是基于分解——重构——综合的思想,有效地提高了模型对区间金融时间序列的预测精度与可靠性(命中率)。本文选择沪深300指数、澳大利亚股指以及外汇汇率作为实证市场与数据,建立了ARIMA、GARCH、BPNN(Back Propagation Neural Network)、EMD-BPNN、WD-BPNN、EMD-LPP-BPNN和FEPA七个预测模型,对收盘价的短期运行趋势做出预测。实证结果表明EMD-BPNN模型比ARIMA、GARCH和BPNN模型有更好的预测效果,这说明对非线性非平稳的金融时间序列进行先分解后组合的预测方法能有效地改进预测精度。同时,实证结果还表明本文新提出的FEPA模型比EMD-BPNN模型又有所改进,这说明主成分分析能压缩冗余数据,缩短训练时间,提高预测精度。其次,现有的金融时间序列分析大多只考虑分析收盘价,但是股指每天都在最高价和最低价之间振荡,如果只分析收盘价,就丢失了很多有用的数据信息,这会造成预测的信息不全面,不能满足市场投资者的要求。本文引入区间EMD分解算法,考虑同时将最高价和最低价也纳入到输入输出之中。通过同时分析股指的收盘价、最高价和最低价,从而更好地把握股票指数这一区间时间序列的波动情况及其走势。实证结果表明将区间EMD分解算法应用于FEPA模型能有效提高最高价和最低价的预测效果。再次,现有的文献中提出的计量经济模型大多数都是采用同一个时间尺度的数据进行训练,这忽略了金融时间序列的多尺度特征。本文将沪深300指数收盘价的日数据和十五分钟数据同时输入神经网络进行训练,并与分别输入日数据和十五分钟数据的神经网络模型作比较。实证结果表明同时输入两个时间尺度数据的神经网络模型有更好的预测精度。当然,这种多时间尺度的金融信息融合还有巨大的研究空间。最后,考虑到金融经济全球化,世界金融市场之间的相互影响更加紧密。即便是预测单一市场的走势,也需要寻找对该市场有重大影响的引导市场。本文在深入研究Copula理论的基础上,将其运用到全球主要股市的非对称相关性分析中。在分析全球主要股市指数对数收益率统计特征的基础上,用Copula函数的相关度量来判断全球主要股市间的非对称性影响关系,这种关系一般形成一个有向无环图。通过历史日数据测试,结果表明在多数情况下,Copula相关系数能够比线性相关系数更好地发现引导市场。
胡书晓[3]2008年在《基于神经网络的股票K线特征图形预测研究》文中研究指明证券市场中成功地交易模式是可以模仿学习的。证券是一个高度复杂的非线性动态系统,其变化规律既有一定的自身的趋势性,又受政治、经济、心理等诸多因素的影响。技术分析、心理分析以及建立在数理统计基础上的传统定量预测方法在对股市的研究中面临着许多困难,而神经网络具有自组织、自适应等特点,能自动从历史数据中提取有关经济活动中的知识,因而非常实用于解决股票预测领域中的一些问题。迄今为止,国内外许多学者都建立了相应的预测模型,给出了较好的预测方法,也取得了较好的预测效果,但是关于股票的信息数据是巨大的,大多数研究都只是对大量数据进行挖掘,必然产生很多噪声信息,针对于此,本文对具体的技术分析中K线特征形态进行研究,提炼优化现有的交易模式。本文的工作主要有以下几个方面:(1)概括总结了现阶段在股市分析中运用的理论,论述了神经网络在股市预测模型中的应用,提出了在股票分析中存在的问题以及解决的思路,最后提出本文的研究思路。(2)对技术分析中各种分析方法进行分类总结,重点介绍本论文运用到的K线理论,尤其是锤形K线理论。(3)建立基于神经网络的股票分析模型。讨论了数据采集的指标、采集数据方法和数据处理方法;讨论了建立神经网络结构参数和函数选择问题;学习matlab软件。(4)实证对作为股票技术分析的K线图中广泛使用的锤子(倒锤子)图形进行预测,分别分析不同情况的训练样本和不同预测对象对预测的影响。结果表明,BP神经网络用于国内股市的预测是有效的、可行的。同时,在研究中,由于样本本身容量小且我们对证券市场价格波动有重要影响的基本面诸因素没有予以考虑,所以本文的工作离实际应用还有不小的距离,有待于进一步的改进完善。要达到实用化这一目标,尚需做艰苦的努力。
宋彧婕[4]2015年在《基于网络信息的金融市场预测研究》文中提出金融市场是一个国家经济的重要组成部分,在市场经济体制中具有非常重要的作用。随着国民收入水平的提高,金融市场得到了越来越多投资者的关注。因此,对金融市场预测的研究具有重大的意义,金融市场预测研究一直都是研究者们关注的重点。然而,由于金融市场是一个参与者众多,非常容易受到各种因素的影响的非线性、大规模、复杂系统,因而很难对金融市场建立模型。互联网的出现极大的改变了人们的生活学习工作方式,一方面人们获取信息的方式越来越便捷,另外一方面,互联网用户越来越多的将自己的生活状况、心里状态等发布在微博、股吧等各类社交网络,这都让我们能够通过爬虫技术获取足够的所需数据。理论研究表明,政策、公司信息和投资者情绪等信息与金融市场有着密切的关系,而这些信息都可以从网络获取,这就为我们对金融市场预测的研究提供了一个新的方向和途径。本文首先通过介绍有效市场理论和行为金融学,为通过网络信息进行金融市场预测提供了理论基础,然后从专业角度出发,利用人工神经网络可以进行大规模并行处理、非线性、分布式存储、自适应学习和较强的容错能力的特点,提出了运用BP神经网络对以股票为代表的金融市场产品进行预测的思想和方法。研究使用“股吧”信息作为数据源,通过“股吧”信息特征值与股票信息相关性性统计验证了网络信息与股票交易量具有相关性。使用“股吧”信息特征值与股票交易量数据对BP网络模型进行了训练和优化,达到了基于网络信息预测金融市场中股票交易量的效果,并且与传统的基于历史数据预测方法进行了比较,结果表明基于网络信息的预测模型具有更好的稳定性,更接近实际交易量,具有一定的应用价值。最后,设计和实现了投资决策辅助工具程序,通过和用户交互为用户提供股票交易量预测结果、股票信息等,达到辅助用户投资决策的目的。在研究取得了一定成果的同时,预测模型和辅助决策工具也存在着一些不足,比如预测范围较小,辅助工具设计简单等。这些都需要进一步的工作进行改进和完善,以实现更好的预测效果。
代海波[5]2012年在《预测技术及应用研究》文中认为针对股票进行预测，无论是在政府对金融市场的监管还是投资者对股市风险的防范上都有重要的实际意义。股票市场受政策、经济、以及投资者心理等诸多复杂因素的影响，是一个高度复杂的非线性动态系统。传统的预测工具已经不能满足股市预测的要求，人们在预测时需要一个运算速度和精确度都比较高的股票预测模型。论文在深入分析股票市场预测方法的基础上，针对股票市场高噪声、高度非线性的特点，引入小波分析、人工神经网络模型和组合方法对股票市场进行预测。论文利用小波变换对股票历史时间序列数据预处理，再组合神经网络模型以及多种预测模型对预处理的序列进行建模和预测。首先介绍了小波分析、人工神经网络和组合预测模型的相关理论，并分别研究了极大重迭离散小波变换、极大重迭离散小波包变换和组合预测模型的基本思想，在此基础之上，给出了两种改进的小波阈值去噪方法和一种改进的小波神经网络模型，并用两个实例验证了给出的去噪方法和模型的有效性和优越性。其次介绍了方差倒数法和最优变权组合预测方法，并给出叁种新的定权与变权组合预测方法：新的方差倒数法，SMNE固定权组合预测方法和基于神经网络的变权组合预测方法，同时实例验证了这叁种方法是可行的和有效的。再次基于小波分析，小波去噪，神经网络模型以及组合方法，论文给出了几种基于小波变换的多种模型组合的预测方法，并通过流程图详细给出了各组合方法的预测过程。最后利用论文给出的几种预测方法对上海和深圳股票序列进行预测，并与传统的时间序列分析方法或单个模型预测相比，其股票预测效果有了较大的提高。
回旋[6]2011年在《模糊神经网络在股票预测中的应用研究》文中研究指明随着我国经济体制改革和金融体制改革的深入,股票投资已经成为了社会生活的一个重要部分。股票价格的预测成为投资者关心和研究的重点。但股票市场是一个极其复杂的非线性动力学系统,具有高噪声、严重非线性和投资者的盲目任意性等因素以及各因素间的相关性错综复杂,造成其价格的波动往往表现出较强的非线性特征。另外,股市的建模和预测所处理的信息量往往是十分庞大的,对算法的要求很高,正是由于其复杂的非线性特征,使得关于股市预测的结果往往难如人意。如何建立一个运算速度和精确度都比较高的股市预测模型,对于金融投资者具有理论意义和实际应用价值。本文针对在股票价格预测中存在的困难引入模糊逻辑和神经网络的概念,利用模糊逻辑中可以用模糊性的自然语言表现知识和可以用Max, Min这类简单运算实现知识的模糊推理的特点,以及利用神经网络中能够生成不需要明确表现知识的规则和其强大的自学能力的特点,把二者结合起来构成模糊神经网络。利用TS模糊规则和前馈神经网络的方法进行建模,并且探讨了网络的结构、隐节点个数确定的原则、样本数据的选取和处理、初始参数的确定等问题。根据模糊神经网络对股票预测的原理,建立基于模糊神经网络的股市预测模型,并利用相关性分析对股票预测时的输入项进行了筛选。通过MATLAB7.0软件,对选取的绿景地产、潍柴动力、招商证券、宝钢股份和上证指数进行实证分析,根据神经网络常用的预测性能的评价指标对预测结果进行了评价,证实了该模糊神经网络进行预测是有效的,预测系统是成功的。
鲍明曌[7]2013年在《粒子群优化神经网络在多种股市中的预测研究》文中研究指明随着中国股票市场的发展,股票市场的投资活动逐渐变得频繁,股票市场逐渐成为证券市场中最活跃的市场,股票成为投资者们最热衷的投资产品。所以股票价格的预测成为了一项热门研究。有效的预测分析方法可以很好的帮助投资者制定投资策略,在增加收益的同时降低风险。股票市场是一个非常复杂的系统,但是它的内在规律具有一定的趋势性,而且受到经济政治等许多因素的影响,但就是如此股票市场这个系统的运动规律仍然是很难掌握的。许多的学者对股票市场进行研究,并且产生了许多的方法模型。传统的研究方法主要是基于数理统计理论的模型,先建立主观的数据序列模型,再对模型进行预测和研究,像时间序列等等模型在这方面有很多的应用,但是其预测精度无法达到人们的要求,事实上人们在研究中逐渐发现股票市场系统是一个复杂的非线性系统,传统的线性模型无法很好的逼近其内在规律,许多的学者开始研究股票的混沌性质,而且随着非线性算法的发展,许多学者开始使用神经网络,遗传算法等非线性算法对股票是场进行预测,各种基于非线性算法的股票预测模型被建立。本文将粒子群优化算法和bp神经网络进行了融合,利用粒子群算法对神经网络的连接权重和阈值的训练进行优化,讨论了各个参数的选取设定优化,建立了粒子群优化bp神经网络模型并将其用于股票预测的实证研究。通过对叁种具有市场代表性的指数进行实证分析,以及将粒子群优化神经网络的预测效果与传统的单一bp神经网络预测效果进行对比分析,得到的结果表明粒子群算法能够有效的加强神经网络的预测能力,减小预测误差,提高训练速度；叁大市场的预测结果都比较理想,说明了股票市场的可预测性；美国股票市场相对其他两种市场具有更强的预测性,规律性更强。
朱瑜[8]2006年在《股市预测方法研究》文中认为针对中国股市预测问题，本文主要开展了以下工作： 1、研究了基于基本面的系统运筹式股票市场预测。将股票市场对象视为由多种要素和子系统构成的一个复杂系统，在全面、整体地对股票市场利益各个方面及其相关因素和条件的规律性认识的基础上，从投资主体的目的、需要、能力以及客观环境所提供的条件出发，有效地预测股票市场未来发展趋势和现在股票市场波段行情演化状况。 2、研究了现代预测方法在股价预测中的应用。针对传统分析方法的不足，分析了股价预测的结构及标准流程，从线性方法到非线性方法，对现代预测方法中的回归预测法、神经网络预测法、模糊预测法、状态空间预测法在股市预测中的应用进行了分析、总结和评价。 3、研究了基于状态空间表示的组合建模预测方法。根据由趋势、平稳自回归和非线性协方差随机变量组合而成的特定状态空间形式，提出了股票专用的预测估计方法。根据股市收盘价可以准确确定的特点，对这类随机问题进行了简化。该方法与普通卡尔曼预测方法相比较，能够提高预测精度，减缓了预测估计的发散。大量股市数据仿真计算和大盘预测法比股市常用的普通卡尔曼预测方法更有效。 4、研究了状态空间预测法在证券分析系统中的应用。现行的证券分析软件很多，其侧重点各有不同，各有优劣，对于技术面分析智能性不够，简单的指标罗列使一些不懂这些指标的投资者望而却步。利用大智慧证券信息平台原有的智能选股功能，把基本面选股、技术指标选股有机组合，并嵌入状态空间预测法，适当考虑消息面影响，这样无需重新编制指标、修改参数，就可使预测精度进一步提高，并最终实现了从对大盘指数预测到个股预测的有效运用，证明了股价预测模型的可行性及扩展性。
刘庆玲[9]2016年在《基于模糊深度学习网络算法的短期股价预测》文中研究指明股票市场研究一直是经济学研究的一个重要部分,股票市场是一国经济状况的晴雨表,一直以来受到政府与管理者以及投资者的高度关注。其中短期股价趋势的预测更是成为投资者研究关注的重点。股票市场受多种因素影响,是一个极其复杂的非线性动力学系统,具有很强的复杂性与非线性,使股价波动具有不确定性、高噪声等特点,股价预测的结果也往往不尽人意。而且股票市场具有的信息量十分庞大,随着大数据时代的发展,给股票市场预测提供更多信息的同时,对大量数据的处理能力也是影响股票市场预测研究的重要部分。如何利用新的理论建立可以应用于股票市场预测的模型提高股票市场预测的准确度对金融投资者具有很大的理论意义与应用价值。神经网络作为常用的非线性动力学系统一直在经济、金融领域的预测问题上得到广泛的应用,并在学术研究上取得了不错的效果,而传统浅层BP神经网络模型存在学习速度慢且容易陷入局部收敛等问题。2006年加拿大学者Hinton提出的深度学习神经网络为人工智能领域带来了新的希望。其中深度信念网络是深度学习的典型模型,目前深度信念网络主要应用于语音识别、图形提取等方面,取得前所未有的成功,同时各领域的学者们也渐渐尝试将深度信念网络应用到其他方面。模糊理论与神经网络的结合应用已有四十多年,各种研究证明神经网络与模糊理论的结合可以有效弥补其自身的不足。本文综述了股票市场短期预测以及模糊理论与深度信念网络的理论基础,研究了DBN模型的学习算法,通过实验的方法构建股价预测的模糊深度学习网络模型。首次将深度学习网络应用于股票市场预测,并对模型效果进行了检验分析,通过实验确定了DBN最有结构,并应用模型对不同股票进行了实证分析,同时与浅层BP神经网络效果进行了对比分析,为进一步验证模型的预测能力,将原来的一分钟数据分别改为五分钟数据和十分钟数据进行了对比分析。各种实验结果表明,所构建基于模糊理论与深度学习网络算法的股价预测模型效果良好,具有很大的研究前景。
戴丹[10]2006年在《BP神经网络用于市场预测的研究》文中认为时间序列预测是一个多学科交叉的研究领域，本论文在人工神经网络和时间序列预测理论的指导下，将人工神经网络方法引入时间序列预测，针对股票市场这一非线性系统，运用BP神经网络，研究在历史数据时间序列的基础上，对股票市场的中期价格走势问题进行了深入的理论、方法与模型的研究工作。 本论文探讨了BP神经网络的模型与结构，BP学习规则，构建了基于BP神经网络的时间序列预测模型，研究了神经网络的规模、推广能力等问题。并利用建立的BP神经网络模型，采用单隐层多输入多输出系统，预测股票市场未来2周的收盘价中期变化趋势。应用Levenberg-Marquardt算法对网络进行训练，对网络结构进行了隐层结点的优化，有效的解决了神经网络隐层结点的选取问题。 本论文简要介绍了股票和神经网络的基本知识，时间序列预测的基本概念、各种模型，分析了基于神经网络的时间序列预测方法。简要介绍了BP神经网络在MATLAB中的设计和实现，介绍了如何在MATLAB中创建BP神经网络，如何对网络进行初始化，训练，和模拟，并介绍了本论文中经常用到的一些MATLAB函数。并进行matlab编程实现所设计的BP网络。 本论文对上证收盘指数进行了实例预测研究，证明本文所建立的模型和研究方法是实用而有效的。不仅简化了网络结构，而且提高了预测精度。结果比较理想，说明本文所建立的基于BP神经网络的时间序列预测模型具有较好的预测能力和较佳的推广能力，验证了本文构建的基于BP神经网络的时间序列预测模型的有效性和普适性。 本论文在前人研究成果的基础上，针对现实复杂经济系统的客观需要，提出了作者自己的观点和想法，并把它们付诸实践，希望可以对人工神经网络技术用于实际预测做出做出一点贡献。
参考文献：
[1]. BP神经网络在股票预测中的应用研究[D]. 王莎. 中南大学. 2008
[2]. 一种金融市场预测的深度学习模型：FEPA模型[D]. 张承钊. 电子科技大学. 2016
[3]. 基于神经网络的股票K线特征图形预测研究[D]. 胡书晓. 同济大学. 2008
[4]. 基于网络信息的金融市场预测研究[D]. 宋彧婕. 电子科技大学. 2015
[5]. 预测技术及应用研究[D]. 代海波. 燕山大学. 2012
[6]. 模糊神经网络在股票预测中的应用研究[D]. 回旋. 安徽财经大学. 2011
[7]. 粒子群优化神经网络在多种股市中的预测研究[D]. 鲍明曌. 复旦大学. 2013
[8]. 股市预测方法研究[D]. 朱瑜. 西北工业大学. 2006
[9]. 基于模糊深度学习网络算法的短期股价预测[D]. 刘庆玲. 哈尔滨工业大学. 2016
[10]. BP神经网络用于市场预测的研究[D]. 戴丹. 武汉理工大学. 2006
标签：金融论文; 证券论文; 投资论文; 股票论文; 机器学习论文; 时间序列论文; 中国股票市场论文; 神经网络模型论文; 有效市场假说论文; 预测模型论文; 深度学习论文; 网络模型论文; 有效市场论文; 线性系统论文; 能力模型论文; 系统学习论文; 非线性论文; 计量经济学论文; bp神经网络论文;