陈阳[1]2007年在《股票预测模型研究》文中研究表明股票市场在我国产生以来不断地成长，逐步成为证券业乃至整个金融业必不可少的组成部分，并且受到越来越多投资者的关注，因而对股票市场走势的分析和预测都有重大的理论意义和可观的应用价值。技术分析，作为证券分析中的重要组成部分，在国外的研究已经达到了较高的水平，在信息技术发展的同时，新的理论和技术分析手段不断地被注入到技术分析中，随着中国证券市场逐渐走向理性，业内外人士对于新技术手段分析在中国股票市场的迫切需求，成为本课题发展的源动力。本文首先介绍了中国股市的发展概况，以及现有的基于灰色系统理论和神经网络的方法对于股票的预测。然后系统地分析了灰色系统理论、关联分析方法以及神经网络理论的原理、功能。在此基础之上，本文探讨了将灰色拓扑预测方法应用于股票预测的可能性，创新性地提出了改进的灰色拓扑预测方法辨识股票市场的发展趋势，实现了个股预测的有效运用，并将其扩展到了大盘，证明了该模型的可行性及扩展性；同时本文还探讨了基于关联分析的神经网络预测模型，提出了新的输入变量选择方法，并通过实证研究说明了该模型的有效性。作者将建模规律、心得做了总结，希望可以对以后的股票预测模型研究有所帮助。文章最后给出了展望。
武晓炜[2]2004年在《基于人工神经网络的股价预测模型研究》文中研究指明股票市场是一个高度复杂的非线性动态系统，其变化既有内在的规律性，同时也受市场、经济、非经济等诸多因素的影响。建立在数理统计基础上传统定量预测方法在对股市的研究中预测效果不是很显着，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金融活动中的知识，因而非常适用于解决股票预测领域中的非线性时间序列问题。 本文以股市的可预测性为基础，对股市部分影响因素进行量化，融合传统证券技术分析方法，使用本文提出一种混合训练算法，建立基于人工神经网络的股价预测模型，并对部分大盘股、个股的收盘价进行预测，评价预测模型的有效性。 首先，本文对股市的可预测性进行阐述、对影响股市的各种因素进行分析，并对国内外的证券分析方法、股市预测方法及人工神经网络的股价预测研究的最新发展进行综述。 其次，从误差反传算法在预测中存在的问题入手，提出一种混合训练算法。该算法从隐含层神经元个数的确定方法、权重和阀值的初始值域、误差函数和自适应学习速率等方面对误差反传算法进行改进，以达到提高网络的收敛速度的目的；同时引入遗传算法，在权重更新过程中采取权重进化计算，使网络跳过局部极小点，达到全局最小点。 再次，本文根据非线性时间序列预测原理，提出股价预测模型。该预测模型以使用混合训练算法的叁层神经网络为基础。根据部分可量化股价影响因素，选取预测模型的输入变量。并以此为基础，设计并开发了股价预测系统。 最后，本文使用股价预测系统，以股价预测实验初步检验了本文提出的股价预测模型的有效性。对上证A股指数进行预测，并且以成交量为噪声项进行对比实验；并对深市个股深发展A的股票收盘价的涨跌值、涨跌率为预测目标进行股票预测。
兰强太[3]2017年在《基于主成分分析和BP神经网络算法的综合选股实证研究》文中研究说明随着金融业和计算机技术的快速发展,为获取超额或稳定投资收益的量化选股研究在我国已经逐渐兴起。因此基于机器学习算法构建量化模型进行股价预测和投资指导十分有必要,但股票市场是一个复杂的非线性系统,利用传统算法构建模型作为股价预测和投资指导的工具,具有很大的局限性,且传统量化模型偏单一。因此本文将基于主成分分析法进行上市企业财务状况评价研究、基于主成分分析法与BP神经网络的结合方法进行股价预测研究和传统的选股分析方法组合构建多样化的量化选股模型。因为近年来神经网络对于处理非线性问题展现出了独特的优势,神经网络通过对股票历史数据的学习,将股价变化的规律存储在神经元的权值中,通过运用训练好的网络来预测未来股价。本文的主要工作具体为:首先通过运用主成分分析法对深圳A股市场上广东地区的上市公司主要财务指标数据进行分析得到了评价指标综合得分,依据综合得分可以直接且全面的了解上市公司的财务状况,实证研究表明该模型评价方法的有效性。其次本文将财务指标数据和交易指标数据同时作为股价预测研究的输入变量,实证研究发现基于主成分分析法和BP神经网络的结合方法进行股价预测能够有效且准确度较高的评判股票下一年同季度的涨跌情况,我们采用了叁种BP神经网络算法进行实验,其中基于贝叶斯正则化算法的BP神经网络构建的模型预测准确度最高且模型训练过程中能够有效避免过拟合现象,预测值与实际值误差较小。最后本文的综合选股方案为:先选取基于主成分分析法进行上市企业财务状况评价研究所推荐的前25%的股票,然后再选取基于主成分分析法与BP神经网络的结合方法进行股价预测研究所推荐的前25%的股票,最后结合传统的选股分析方法综合分析选取上市企业财务状况评价研究和股价预测研究两者共同推荐的前25%的股票中的小盘股作为下一年年中最优的投资股票。
石茜子[4]2017年在《基于BP神经网络的股价预测模型应用分析》文中进行了进一步梳理作为金融业不可或缺的一部分,股票投资在人们的生活中呈现愈来愈重要的态势。股价的波动直接影响着股市的稳定以及金融市场与国民经济的健康发展。成功的股价和趋势预测有助于投资者获利,也有助于政府部门提供及时合理的市场指导与监管。因此,如何预测股票市场是金融界存在的一个重要而有价值的课题。神经网络模拟人体神经元功能,可以从股市中提取历史数据和相关信息来推断股价未来发展趋势,具有较强的自组织与自适应的能力。因此,神经网络适合于处理具有非线性时间序列特征的股价预测问题。本文提出了一种基于BP神经网络针对股价预测问题的综合模型。从影响股价的市场面因素中讨论并确定了21个针对股价预测的评价指标,通过主成分分析方法降维至6个输入变量;同时通过思维进化算法优化网络初始连接权值和阈值;探讨了网络的拓扑结构、隐含层节点个数、学习率、激活函数和训练函数、样本数据的选取和预处理等问题;最后建立对比模型并通过多次运行,得到综合模型拥有最高的预测精度和稳定性。理论分析和实验结果表明,本文建立的基于BP神经网络的股价预测综合模型是可行且有效的,有着良好的应用前景。
戴成骏[5]2016年在《基于文本情感分析的股价预测研究与实现》文中进行了进一步梳理股票正在成为中国居民资产配置的一个重要方向。但是股票价格的波动瞬息万变,如果不能准确预测股价走势,把握合适的买卖时机,不但无法保障收益,还会承担巨大风险。目前的股票分析主要依靠炒股软件的技术指标,基于经验人工判断。这种方式主要存在两个问题。第一,技术指标种类繁多,每种指标的适用范围不同,而且单一指标的预测效果较差,通常需要结合不同的指标综合判断。这对于投资者来说有较大的学习成本。第二,技术指标本身是通过价格、成交量等反映在股市本身的客观事实演变而来,无法反映投资者的主观态度和情绪。为了解决以上问题,本文对股价的预测问题进行研究,通过预测模型,为投资者提供“买入”、“持有”、“卖出”叁种投资信号,帮助投资者进行决策。本文工作主要依照以下两个方面展开。(1)基于技术指标的股价预测。首先,对股价预测的目标进行定义,确定买入、持有、卖出的阈值,将这叁类结果作为预测输出。其次,对MACD、RSI、KDJ等技术指标进行量化,作为预测输入。最后,通过实验对比,选择表现最优的参数,构造出一个基于BP神经网络的股价预测模型。(2)加入了投资者情绪指标的股价预测。首先,通过网络爬虫,对“股吧”中的股评信息进行抓取。其次,构造了专门针对金融领域的词典,利用N-GRAM新词发现算法构建分词词典,利用PMI算法扩展情感词典。然后,对比了情感词词典、朴素贝叶斯两种情感分类算法,构造出一个性能最优的情感分类器。最后,利用构建的情感分类器对股评信息进行情感分类,计算投资者情绪指标,并将其作为输入加入到股价预测模型。本文探索性地将投资者情绪指标作为变量引入股价预测的模型中,实验结果表明,投资者情绪指标对于预测股价的走势具有指导意义,能够在一定程度上提高股价预测的准确性。并最终融合技术指标与投资者情绪指标,基于BP神经网络构造出一个性能不错的股价预测模型。
任浩然[6]2017年在《基于自适应遗传算法优化的BP神经网络股价预测模型》文中提出随着国民经济的发展,投资理财已成为常态,股票投资顺势成为许多人的选择,其中股票价格预测成为投资者最关心的问题.股票市场中各种因素错综复杂,主次关系变化不定,股票价格不仅受买卖双方的影响,也与国内外政策,投资者的主观意识等因素有直接关系.所以股票价格具有随机性较强的特点,因此研究一种正确率较高的股票价格预测模型具有十分重要的现实意义.本文采用BP神经网络与遗传算法结合的方法对股票价格预测进行研究.针对BP神经网络初始权值随机,遗传算法易陷入局部最优解等问题,给出了一种基于自适应遗传算法优化的BP神经网络股价预测模型,通过自适应遗传算法对BP神经网络的初始权值进行优化,使用BP神经网络对股票价格进行预测分析.由于是股票价格波动千差万别,采用单一的BP神经网络在股票价格波动较大的情况下无法获得较高的预测精度,因此本文还给出了一种基于自适应遗传算法优化的组合神经网络股价预测模型,来提高模型收敛速度与预测精度.最后通过MATLAB编程实现了本文所给出的股价预测模型,并使用真实的股票数据进行股价预测,通过仿真分析可知,本文所给出的预测模型具有较高的预测精度。
冯居易[7]2008年在《股票价格预测模型研究》文中研究说明股市是市场经济的必然产物,在一个国家的金融领域有着举足轻重的地位。随着证券市场的逐步规范,人们的投资理念不断提高,在资本市场中逐渐形成与银行、保险叁足鼎立之势。股票投资已成为众多家庭及个人理财的一种重要方式。然而,股票市场具有高风险与高收益并存的特性,股票价格的涨跌及变化趋势一直受政府、投资大众的普遍关注。本文主要完成了以下几个方面的工作:(1)深入研究了影响股价波动的因素、股价预测基础及股价预测方法,并阐述了利用BP神经网络进行股价预测的原理。(2)利用单隐层的前馈神经网络建立BP股价预测模型,详细探讨了如何确定网络层数、隐层神经元数、初始参数等问题。为了提高网络性能,将数据集分为训练集和测试集,对输入样本归一化,并采用改进后的BP算法进行训练。(3)以民生银行为例,分别采用移动窗口法和技术指标法,对所建的预测模型进行训练,并将训练好的网络用于预测股票数据,取得了较好的效果。其中,根据训练所得网络的权值,对比了各输入变量的影响程度。(4)为了验证BP股价预测模型的普遍适用性,另选取五支股票进行验证,实验结果较好,说明该模型可用于其他股票的预测。股票市场是一个极其复杂的非线性动力学系统,而神经网络具有很强的非线性逼近能力和自学习、自适应等特性,实验证明,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。
张然[8]2015年在《基于噪音及投资者情绪的股价可预测性研究》文中认为噪音交易理论认为股票市场中的噪音交易者根据噪音而非信息进行交易,导致股票偏离仅有理性交易者时的真实价格。由噪音交易理论发展而出的投资者情绪研究认为投资者情绪通过影响投资者交易偏好而影响股票价格。基于上述理论与研究结论,本文认为噪音及投资者情绪可能含有股票价格所不含的额外信息,在此基础上本文研究噪音及投资者情绪是否以及多大程度上影响股价可预测性,噪音及投资者情绪是否以及如何提供额外的股价可预测性。首先,本文对中国股市的噪音及投资者情绪进行了度量。噪音度量方面,本文借鉴衡量市场有效性的方差比方法,使用Wild Bootstrap方差比方法结合滑动样本窗构建噪音序列。投资者情绪度量方面,本文结合中国实际情况,借鉴学术界广泛认可的Baker-Wugler情绪指数构建方法对情绪进行构建。由于在本文的观测区间内中国股市存在较长时间的暂停IPO情况,本文剔除了Baker-Wugler情绪指数构建方法中含有IPO信息的变量,通过提取上证封闭式基金折价率、日均流通市值加权换手率、日均投资者新开户数、日均成交量的第一主成分构建了中国股市的情绪指数。其次,本文对上证指数进行预测并构建股价可预测性序列。本文使用的预测方法包括模糊时间序列、BP神经网络、模糊时间序列-BP神经网络组合方法。具体来说,本文使用1前件1阶模糊时间序列,选择Chen的模型进行预测；通过对网络训练函数、学习函数、网络结构进行选择后构建适用于本文研究的BP神经网络进行预测；通过熵值法将模糊时间序列和BP神经网络的预测值加权求和得到组合预测方法的预测结果。本文通过生成衡量预测精确程度的PI指数来构建股价可预测性序列。最后,本文进行基于噪音及投资者情绪的股价可预测性研究。第一步研究噪音及投资者情绪是否影响股价可预测性。实证发现噪音及投资者情绪在0.10的显着性水平下正向线性影响股价可预测性,即可以认为更高的噪音及投资者情绪可能是潜在导致股价更易预测的因素。该结论虽然在0.05的显着性水平下不成立,但依然可以认为其有一定借鉴意义；另外,噪音及投资者情绪还对股价可预测性产生显着非线性影响,这种影响在0.05的显着性水平下成立,是二者单独而非协同严生的,可看作是对线性关系的微调,PI序列选取的不同会造成非线性关系拟合结果的差异。第二步研究噪音及投资者情绪是否提供额外可预测性。通过将噪音及投资者情绪引入预测模型,本文发现噪音及投资者情绪能够改善股价预测的整体水平,特别是BP神经网络和组合预测方法。由于BP神经网络能够更好地描述股价序列的非线性关系,本文单独就引入噪音及投资者情绪前后的BP神经网络预测精度进行对比,发现噪音及投资者情绪的引入对预测有显着改善,并且认为该改进是由于噪音及投资者情绪包含额外信息所导致的。
胡书晓[9]2008年在《基于神经网络的股票K线特征图形预测研究》文中指出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。
李秀恒[10]2012年在《前景理论与股价的短期预测研究》文中研究指明根据有效市场理论，股市是不可预测的，但是行为金融的研究表明，股票收益具有一定的可预测性。在严格的“经济人”假设上，传统的金融学理论用明确的数学表达式描述了股价与其影响因素之间的关系。但投资者并非是完全理性的，“经济人”假设不符合现实，所以采用传统金融学理论来预测股价，效果自然不会太理想。股票市场是一个高度复杂的非线性动力学系统，经济运行的好坏、市场的波动、政策的变动甚至是某个关键人物的谈话都有可能对股票市场产生较大影响，因而采用传统的统计学时间序列模型来预测股价自然也不会取得令人满意的效果。针对以上情况，本文从预测基础和预测模型两方面对预测方法进行改进，期望能探索出一种效果更佳的股市量化分析方法。在预测基础方面，本文以市场的非有效性为前提，采用没有太多脱离现实假设的前景理论为预测基础。在前景理论的分析框架下，本文从投资者的心理偏差出发，分析了投资者的风险决策过程，并指出：买入成本和历史股价是投资者投资决策的重要参考点，成本分布和股价的时间序列对后市有着重要影响。基于此，本文对投资者的买入成本分布进行了分析，构造出股票成本分布和历史股价的输入指标体系。在预测模型方面，本文采用的是能逼近任意函数的BP神经网络模型，该模型模拟的是人类的思维过程，与前景理论相吻合，适合解决高度非线性问题。为了检验预测效果，本文在实验过程中设置了两组对照组，对照组1的输入变量采用前人相关研究中所常用的技术分析指标，对照组2采用的是统计学当中的指数平滑模型。实验结果表明，在对上证指数未来20日的收盘价进行预测时，基于前景理论分析指标的BP神经网络具有良好的预测效果，无论是在拟合效果还是在预测精度上，基于前景理论输入指标的BP神经网络预测均要优于基于技术分析指标的BP神经网络预测，而且前者“失灵”的现象要少于后者，这说明以前景理论作为预测基础比较合理。而基于BP神经网络模型的预测在预测精度和模型的稳定性上都要优于指数平滑法的预测，这说明BP神经网络模型在股市预测方面比统计学的传统时间序列模型优越。
参考文献：
[1]. 股票预测模型研究[D]. 陈阳. 哈尔滨工程大学. 2007
[2]. 基于人工神经网络的股价预测模型研究[D]. 武晓炜. 大连理工大学. 2004
[3]. 基于主成分分析和BP神经网络算法的综合选股实证研究[D]. 兰强太. 暨南大学. 2017
[4]. 基于BP神经网络的股价预测模型应用分析[D]. 石茜子. 暨南大学. 2017
[5]. 基于文本情感分析的股价预测研究与实现[D]. 戴成骏. 重庆大学. 2016
[6]. 基于自适应遗传算法优化的BP神经网络股价预测模型[D]. 任浩然. 延安大学. 2017
[7]. 股票价格预测模型研究[D]. 冯居易. 西安建筑科技大学. 2008
[8]. 基于噪音及投资者情绪的股价可预测性研究[D]. 张然. 北京交通大学. 2015
[9]. 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
[10]. 前景理论与股价的短期预测研究[D]. 李秀恒. 广东商学院. 2012
标签：数学论文; 宏观经济管理与可持续发展论文; 股票论文; 预测模型论文; 人工神经网络论文; 网络模型论文; 股票分析论文; 股票指标论文; 非线性论文; bp神经网络论文;