导读:本文包含了股票分析与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:ARIMA模型,深圳综合指数,恒瑞医药,时间序列
股票分析与预测论文文献综述
张亚婕[1]（2019）在《基于ARIMA模型对股票和指数预测结果的简单比较分析》一文中研究指出ARIMA模型可应用于预测平稳时间序列,且预测效果较好。本文选取2017年10月9日到2018年9月25日的240个收盘价和收盘指数作为样本,运用ARIMA模型对2018年9月26日到2018年10月9日的恒瑞医药股价和深圳综合指数做出预测,并比较模型对于两者的预测效果。(本文来源于《市场研究》期刊2019年11期）
耿娟,刘怡超[2]（2019）在《基于GARCH模型的股票收益率分析及预测》一文中研究指出GARCH模型是对金融数据波动性进行描述的有效方法,它是最常用、最便捷的异方差序列拟合模型。资产收益率是金融数据分析常用的指标,比价格序列更易处理且更有研究意义。本文采用R语言,对2009年1月6日—2019年5月20日沪深300指数的日收盘价进行预处理,将其转化为平稳的收益率序列,检验其ARCH效应,建立GARCH模型以及标准化残差分析,最后对收益率和股票价格进行预测,预测的结果能为投资者进行决策提供一定的参考。(本文来源于《河北企业》期刊2019年10期）
崔文喆,李宝毅,于德胜[3]（2019）在《基于GARCH模型和BP神经网络模型的股票价格预测实证分析》一文中研究指出采用GARCH模型和BP神经网络模型,利用上海A股30支股票(6类,每类各5支)2015年6月29日至2017年6月30日的日收盘价,分别进行短期(2017年7月3日至7日)、中期(2017年8月14日至18日)和长期(2017年9月25日至29日)预测.结果表明:在短期预测中,无论是否考虑当日价格波动对预测结果的影响,2个模型的每日与一周总体预测效果的差异均不具有统计学意义(P> 0.05);在中期预测中,无论是否考虑当日价格波动对预测结果的影响,BP神经网络模型的每日与一周总体预测效果均优于GARCH模型,且总体差异具有高度统计学意义(P <0.01),不考虑当日价格波动时每日预测效果的差异具有统计学意义(0.01 <P <0.05),考虑价格波动时每日预测中有3日预测效果的差异不具有统计学意义(P> 0.05),有2日预测效果的差异具有统计学意义(0.01 <P <0.05);在长期预测中,无论是否考虑当日价格波动对预测结果的影响,BP神经网络模型的每日与一周总体预测效果均优于GARCH模型,且总体差异具有高度统计学意义(P <0.01),每日预测效果的差异不具有统计学意义(P> 0.05);随着预测周期的延后,预测误差逐渐增大.(本文来源于《天津师范大学学报(自然科学版)》期刊2019年05期）
孙德山,任靓[4]（2019）在《基于主成分分析和递归神经网络的短期股票指数预测》一文中研究指出运用递归神经网络,并结合主成分分析方法建立基于主成分分析的递归神经网络(PCA-RNN)预测模型.实验采用玉米股票价格指数,首先,利用主成分法对玉米指数的多个指标进行特征提取,然后利用提取的主成分建立3种神经网络模型,并对开盘价进行预测,最后与ARIMA模型进行比较分析.结果表明PCA-RNN模型取得了较好的效果,更加适用于股票价格的短期预测,可以为决策者提供一定的参考.(本文来源于《辽宁师范大学学报(自然科学版)》期刊2019年03期）
郭艳红,蒋帅,陈艳萍[5]（2019）在《分析师评级预测价值的市态差异——来自2005-2016年中国股票市场数据实证》一文中研究指出证券分析师在股票市场中扮演着关键的信息角色,其发布的股票评级对投资者的投资决策有着重要影响。本文以分析师股票评级为研究对象,运用事件研究法从市态差异的视角剖析其预测价值。实证研究表明:(1)在整体市场中,分析师发布的股票评级具有预测价值,股票评级越高,其收益表现越好;(2)市态是影响分析师股票评级发布行为的重要因素,分析师评级发布行为在不同市态下具有不同特征;(3)积极评级在熊市中的预测价值显着高于牛市阶段,中性评级在不同市态下的预测价值无显着差异,消极评级在熊市中的短期预测价值高于牛市阶段。本研究对于全面认识股票分析师在证券市场中扮演的信息角色以及辅助投资者进行投资决策具有理论与现实意义。(本文来源于《管理评论》期刊2019年08期）
朱慧慧[6]（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）
江洋[7]（2019）在《分析师盈余预测报告数量变化对股票收益率的影响研究》一文中研究指出证券分析师作为资本市场信息处理中枢,对其行为的研究一直是学术界的热点话题。分析师日常工作主要是对现有上市公司的信息搜寻、整理和分析,并再依此结果对其所跟踪公司未来一段时间的表现进行预测。分析师为资本市场所提供处理后的信息受到了投资者的重视并在市场上广泛流传,体现出了其专业性,这些信息也是投资者对股票进行价值判断、择股的重要依据。为此,针对分析师跟踪的研究今年已成为国内外研究的热点。但以往针对分析师跟踪的研究大多基于公司层面,在市场和行业层面的研究有所不足,并且以分析师报告数的变化度量分析师跟踪的研究少之又少;因此本文以分析师报告数变化度量分析师跟踪为基础,从市场、行业、个股叁个层面研究分析师的跟踪行为和未来收益率之间的关系。本文除了像以往研究一样对个股层面分析师行为进行考察,还将研究市场和行业两个层面的情况。文章设计更加直观的实证模型,检验(1)市场、行业与个股等叁个层面上的分析师报告数的变化与未来股票收益之间的关系;(2)这种关系在不同行业的差异性和在分析师报告数变化增加或减少等不同阶段的差异性。文章使用的分析师行业的数据时间跨度为为2005年5月至2016年10月,并且针对性的将研究时间进行了重新划分,构造了分析师跟踪行为的全新数据库。本文研究表明:首先,从市场、行业与个股等叁个层面上来看,分析师报告数的变化和未来股票收益都呈现显着负相关关系;也就是说,分析师报告数量变化的比例越高,未来的股票收益越低。其次,在依据2012年中国证券协会行业划分标准重新划分后,本文发现采矿业,电力、热力、燃气及水生产和供应业,建筑业,交通运输、仓储和邮政业,租赁和商务服务业,居民服务、修理和其他服务业与教育与卫生和社会工作,综合上述七大行业,分析师报告变化数和行业未来收益之间的负相关关系更为明显。最后,这种负相关关系分析师报告数量增加的阶段相比比分析师报告数的减少阶段更加明显。(本文来源于《江西财经大学》期刊2019-06-01）
矫月[8]（2019）在《基于舆情分析的股票真实波幅指标预测研究》一文中研究指出伴随着我国互联网技术的飞速发展与金融市场机制的日益完善,网络舆情已经逐渐成为影响我国股票市场稳定的一个重要因素。而股票市场的舆情包括很多方面,比如股票市场上的波动,投资者的情绪变化和因股票市场的波动引起的公共讨论。此文章利用真实波幅均值指标来衡量股市的波动,借助知网和百度指数两大平台,通过建立股票市场的情感权重字典来量化舆情,进而构建舆情情感权重指数,以实现对真实波幅均值进行预测。如何准确的、无感情色彩的反映投资者的情绪是建立股票市场的情感权重字典的关键,除此之外字典中的关键词应与股市高度相关;同时,为了实现股票市场的动态监控,关键词需要保证定时更新、富于变化。具体步骤如下:(1)建立初始关键词词库:利用八爪鱼软件抓取CNKI近叁年来一万多篇关于“股票市场”的文献题目,并借助Python软件中分词包(Jieba)进行分词工作,通过中文分词及过滤、词频分析叁步建立基础词库;(2)关键词时差法筛选:设定因变量y为沪深300指数的真实波幅均值数据,自变量x是基础词库中某个关键字的TF-IDF值,利用SPSS软件计算基础词库中该关键字的百度指数日数据和沪深300真实波幅均值的日数据时间序列的时差相关系数,并从基础词库中借助时差分析法选择领先型关键词;(3)关键词重要性排序:利用随机森林算法对关键词的重要性进行排序,选出解释能力达到80%的关键词作为后续极性分析的关键词。然后进一步构建舆情情感权重指数,通过逻辑回归算法求出每个关键词的权重,对关键词进行情感极性分析,并对构建的情感权重指数与真实波幅均值进行相关性分析;通过实证研究验证当投资者对关键词关注度增多时,股价的波动性变大,即真实波幅均值变大,验证假设成立。最后,对沪深300下一交易日的真实波幅均值进行预测。将真实波幅均值和构建的情感权重指数作为输入,输入到循环神经网络中进行预测,并调整Lstm_size和max_epoch、num_layers叁个参数进行优化分析。综上所述,该文章通过构建舆情情感权重字典、舆情情感权重指数来量化舆情,然后预测真实波幅均值指标,对构建股票指标预测模型以及深度神经网络在金融市场的应用提供一定的理论和实践意义。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
丁玮珂[9]（2019）在《基于ARMA模型预测股票价格的实证分析》一文中研究指出在经济研究中,ARMA模型是一项重要的分析工具。本文首先对ARMA模型的理论背景知识进行了介绍,利用Eviews10. 0软件对时间序列进行建模分析,并依据SC和AIC信息准则对模型进行估计与检验,最终选取最优的模型进行预测。本文选取的数据是桂林旅游(000978)的股票收盘价(2018/1/2-2018/12/31),通过建立ARMA模型进行估计与检验,进而对2019年初的股价数据进行预测并与实际数据相比较,结果与实际值相差较小,说明所建立的ARMA模型具有一定的准确性,非常适用于短期预测。(本文来源于《广西质量监督导报》期刊2019年05期）
王芊[10]（2019）在《基于机器学习算法的股票收益率方向预测及分析》一文中研究指出时下建立在数理模型基础上的量化投资技术得到了广泛的应用,并给投资者带来了巨大的回报。当今人工智能和机器学习技术方兴未艾,在影像识别、搜索推荐等众多领域已取得傲人成就;相比时序分析,机器学习模型可以快速处理、分析海量数据,并往往具有较好的泛化能力。在本文中,尝试将相关机器学习算法应用于金融数据挖掘中,基于新近提出的极度梯度提升树XGBoost算法、以及主流的机器学习算法,提出了一套数据挖掘方法,对股票收益率的变化方向进行预测和分析。首先,考虑股市往往是不平稳的、低信噪比的复杂系统,通过小波分解以及阈值去噪对于数据的噪声进行过滤。通过小波的多尺度分析,将股价数据分解成不同频率的子序列,并对高频部分的数据降噪,以进一步提取数据中的有效信息。其次,引入多种机器学习模型,将股票收益率的变化方向转化为模式识别中的分类问题进行研究。极度梯度提升树XGBoost是一种新近提出的高效机器学习算法,本文基于该算法构建了一套量化研究模型,同时构建了包括随机森林、支持向量机SVM等多种前沿机器学习方法在内的模型进行对比研究。以沪深300中300支成分股2012-2017年的日频数据为样本,综合考虑了技术指标、基本面指标和舆情指标,并通过Boruta算法验证了所选指标的有效性。通过对去噪后的数据建模研究,发现XGBoost算法的准确率最高,叁年的准确率近54.7%,且运行速度有大幅提升,在依靠概率取胜的量化投资中具有重要意义。进一步,根据模型预测的信号进行了回测交易,各算法构建的策略均可产生超额收益;同时基于XGBoost模型的输出构建了一个新的因子,设计了一种分层回测检验方法,发现各层策略之间具有显着差异,进一步验证了算法具有一定的识别能力。最后,机器学习存在黑箱特征,而已有研究中较少有对模型逻辑的研究和阐述,本文进一步尝试对模型的机理和选股逻辑进行了分析:定义了一种特征权重的度量方法,对XGBoost中各因子的权重进行了度量,研究发现能量潮、市盈率等指标相对重要;通过偏相依关系的计算,对于各指标与收益率的方向关系进行衡量,发现模型中市盈率、市净率整体与收益率变化方向呈现负向关系,ROE、周流入额等呈现正向关系。通过以上分析,一定程度上可以弥补机器学习中一直存在的“黑箱性”困扰,使得模型选股的策略逻辑更为清晰。(本文来源于《中国科学技术大学》期刊2019-05-16）
股票分析与预测论文开题报告
（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：
GARCH模型是对金融数据波动性进行描述的有效方法,它是最常用、最便捷的异方差序列拟合模型。资产收益率是金融数据分析常用的指标,比价格序列更易处理且更有研究意义。本文采用R语言,对2009年1月6日—2019年5月20日沪深300指数的日收盘价进行预处理,将其转化为平稳的收益率序列,检验其ARCH效应,建立GARCH模型以及标准化残差分析,最后对收益率和股票价格进行预测,预测的结果能为投资者进行决策提供一定的参考。
（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。
股票分析与预测论文参考文献
[1].张亚婕.基于ARIMA模型对股票和指数预测结果的简单比较分析[J].市场研究.2019
[2].耿娟,刘怡超.基于GARCH模型的股票收益率分析及预测[J].河北企业.2019
[3].崔文喆,李宝毅,于德胜.基于GARCH模型和BP神经网络模型的股票价格预测实证分析[J].天津师范大学学报(自然科学版).2019
[4].孙德山,任靓.基于主成分分析和递归神经网络的短期股票指数预测[J].辽宁师范大学学报(自然科学版).2019
[5].郭艳红,蒋帅,陈艳萍.分析师评级预测价值的市态差异——来自2005-2016年中国股票市场数据实证[J].管理评论.2019
[6].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
[7].江洋.分析师盈余预测报告数量变化对股票收益率的影响研究[D].江西财经大学.2019
[8].矫月.基于舆情分析的股票真实波幅指标预测研究[D].哈尔滨工业大学.2019
[9].丁玮珂.基于ARMA模型预测股票价格的实证分析[J].广西质量监督导报.2019
[10].王芊.基于机器学习算法的股票收益率方向预测及分析[D].中国科学技术大学.2019