导读:本文包含了股价预测模型论文开题报告文献综述及选题提纲参考文献，主要关键词:时间序列,ARMA模型,股价预测
股价预测模型论文文献综述
徐晨萌,方华[1]（2019）在《运用ARMA模型对股价预测的实证研究》一文中研究指出金融市场上的时间序列数据蕴含了历史信息,可以揭示系统的运行规律。研究者们可以采用常见的时间序列分析模型,借助Eviews等工具,对以往的金融数据(如股价)进行研究,探寻其规律,并运用于未来走势的短期预测。选取工商银行(601398)的股票日开盘价(2018月2月14日至2019年2月14日)序列,进行一阶差分使数据平稳,之后运用ARMA模型对未来叁天的开盘价(2019年2月15日至2019年2月19日)进行预测。将预测结果与真实值对比后发现预测结果较为准确,误差较小,说明ARMA模型适合于股价短期预测,进一步证实了时间序列模型在金融方面的作用。(本文来源于《经济研究导刊》期刊2019年31期）
张紫乾,刘明婉[2]（2019）在《马尔科夫链模型对短期股价的预测》一文中研究指出本文将"万科A"股票的日收盘价作为研究对象,将股票自2018.6.1-2019.5.31的收盘价视为齐次马尔科夫链,并对未来的股价进行预测。结果显示,在短期股价预测方面,模型表现较好。(本文来源于《大众投资指南》期刊2019年12期）
田晓丹[3]（2019）在《基于LSTM与多GARCH型混合模型的股价波动性预测的实证分析》一文中研究指出金融市场具有极强的流动性同时也具有着一定振幅的波动性,现实生活中它总是一把“双刃剑”,一方面对于社会经济金融的发展能够起到明显有效地催化剂作用,另一方面,市场自身也存在着一定的风险。通过官方近十年来对我国股票数据的统计显示,我国股市出现两次令人闻风丧胆堪称“股灾”的大幅波动,因此对于我国股市的波动性能够进行全面的掌握,针对我国股市波动性的深入研究就显得日益迫切,这对于股民如何进行理性的投资来说也是非常重要的。纵观近年来,神经网络系统模型与传统时间序列模型发展迅速,并被越来越多的应用于金融市场等领域。本文创新的提出建立神经网络模型与时间序列模型的混合模型,应用其对我国股票市场波动性的掌握与预测进行深入研究。本文着眼于股票数据,以中证500指数日收益率为研究对象,应用工具软件对选取的研究数据进行一系列的统计分析,得到其对数收益率序列具有波动聚集性、尖峰厚尾性、右偏性等特征,序列存在平稳、无自相关等特性且残差序列存在ARCH效应。然后建立基于学生t分布和广义误差GED分布的GARCH族模型,结果发现t分布下GARCH族模型拟合效果最优,进而得到各模型的估计参数,并将它们一同作为混合LSTM模型的输入。最后本文创新的建立LSTM深度神经网络模型与一到叁个GARCH族模型相结合的混合模型,对收盘价进行预测,预测结果显示多混合模型GET-LSTM模型在所有的混合LSTM模型中拟合效果最优,预测误差最小。进而根据论文分析结果,从信息披露、政府干预、新品种开发、投资者教育、市场监管等角度提出一些建议。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
王亚红,程希明[4]（2018）在《基于财务指标的股价预测模型及实证研究》一文中研究指出为了对股票的选择投资提供一定的建议,本文提出了利用财务指标构建随机森林模型对股价进行模糊预测的方法。将股价的涨跌看作0～1分类问题,在上市公司的年中报表中选取具有一定合理性且能够量化的指标作为特征属性,报表发出后第60天的收盘价与发出日的收盘价对比涨跌为类别。以国内某财经网站股票数据作为数据来源,选取合理财务指标作为特征属性,建立随机森林模型并进行测试。结果显示,该模型具有比较高的准确性,财务指标在股价预测中具有一定的辅助作用。(本文来源于《区域金融研究》期刊2018年09期）
邓楷鹏[5]（2018）在《基于GA-LMBP训练的神经网络模型预测股价的实证研究》一文中研究指出随着市场经济制度的不断发展完善,股票市场对国家、公司、个人的作用日益凸显。股票市场减少了交易成本、提供着流动性,更关键的是能够通过买卖双方的供需关系修正证券的定价。证券的价格影响着社会资源的配置情况,体现了公司的经营状况,同时也指导着投资者选择最适合于自己的交易行为。因此,预测股票的价格有助于各个市场参与主体能更好地制定决策,也帮助投资者实现资产增值。中国股票市场还未达到完全有效,股票价格中尚未包含市场上所有相关信息,股票价格仍具有可预测性。为了能预测股票价格的变动,需要使用能够刻画股票价格非线性特征的模型。神经网络模型受到人类大脑认知过程的启发,模仿人类的神经系统,具有学习输入输出之间的非线性映射关系的能力。传统的BP神经网络采用最速下降法,训练过程有可能停止于局部最优点并且模型的收敛速度和稳定性难以达到平衡。LMBP算法结合了牛顿法和最速下降法的特性,平衡了模型的稳定性和收敛速度,但是仍没有解决模型的解可能陷于局部最优点的问题。遗传算法借鉴“物竞天择、适者生存”的自然选择过程,通过选择、交叉、变异操作让适应度更高的个体有更大机会将信息保留到下一代,也增加了种群的多样性。在每一次循环,由父代生成子代的过程中,遗传算法引入了随机性,让模型具有全局搜索能力。即使初始值落在局部最优附近,模型也能通过具有随机性的遗传操作让算法继续向其他位置展开搜索。为了提高神经网络模型预测股价的效果,增强LMBP算法的全局搜索能力,本文将遗传算法加入神经网络的训练过程,与LMBP算法组成混合算法,GA-LMBP算法。该算法首先利用遗传算法的全局搜索能力训练神经网络,然后将神经网络的初始权重设为从遗传算法得到的最优个体,并用LMBP算法训练神经网络。为了测试模型预测股价的效果,本文用上证50成份股中5个来自不同行业的个股在2010-2017年的数据进行了实证检验。样本集的输入变量为13个技术指标,输出变量为股票后一日的收盘价格。预测结果显示,GA-LMBP算法对山东黄金的预测误差最低,MAPE为1.22%。对比所有5只股票分别用LMBP算法、GA-LMBP算法进行预测的结果可以看出,GA-LMBP算法得到的MAPE是最低的,说明遗传算法的加入有效降低了模型的预测误差。同时,在LMBP算法进行预测的图形中观察到了预测值与真实值在短时间内出现大幅度偏离的现象。但是,这些偏离在GA-LMBP算法的预测中出现都有所缓解,说明GA-LMBP算法预测的稳定性也更高。因此,从实验结果上看,由于遗传算法全局搜索能力的加入,GA-LMBP算法训练的神经网络模型能够更好地学习输入输出间的非线性映射关系,改善了LMBP算法可能陷于局部最优点的问题,有更低的预测误差和更高的预测稳定性。(本文来源于《西南财经大学》期刊2018-08-01）
景秋玉[6]（2018）在《基于PCA-SVM-GARCH模型的股价预测》一文中研究指出股票价格受经济周期、金融政策、国际环境等因素的影响,所以股价的运动方向未知而复杂。投资者在股市交易中还会受到信息不对称、大客户操纵、盲目从众投资心态的干扰,因此探索一种预测股价走势的方法尤为重要。为了精准预测股价的走势,本文提出了PCA-SVM-GARCH模型。该模型在支持向量机模型(SVM)的基础上进行优化和改进,因此具有能够处理多维非线性数据的特点。在构建支持向量机模型时,将模型的预测效果作为衡量标准,可以筛选出支持向量机中最优的核函数。再通过交叉验证法对参数组合进行遍历搜索,继而确定最优的参数组合,从而实现预测股价的涨跌趋势和波动方向。PCA-SVM-GARCH借助主成分分析法(PCA)对输入变量进行降维处理,以消除变量间的多重共线性。通过广义自回归条件异方差模型(GARCH模型),使模型融合了股价的波动情况。因此PCA-SVM-GARCH模型较好的提高了SVM模型的整体性能。本文的研究标的从随机选择的个股(科大讯飞)推广到股指(沪深300),以模型预测的正确率和误差作为衡量标准,判别模型的优劣。实证分析发现PCA-SVM-GARCH模型的预测正确率和准确度均优于SVM模型、SVM-GARCH模型和PCA-SVM模型。本文针对新提出的模型进行了稳定性分析,考虑了研究对象、持仓时间、数据时间周期对模型的影响。仿真实验证明该模型的预测效果稳定,说明该模型具有普遍适用性、市场实用性和稳定可行性。该模型可以为众多投资者和市场监管者带来一定的指导方向和参考价值。(本文来源于《首都经济贸易大学》期刊2018-06-30）
杨春静[7]（2018）在《基于时间序列模型的股价预测》一文中研究指出人们的投资理财方式随着人们生活水平的逐步提高也在发生着一系列的变化。更多的人开始逐渐关注并参与到股票投资市场中来。股票具有高收益的同时也伴随着较高的风险,股票价格的变动受很多因素的影响,因此对于股票价格预测的研究具有非常大的价值,对于股票价格的预测,从股票市场出现开始,就成为很多学者和股民们不断探索的难题。时间序列分析是经济研究领域的一个非常重要的方法,它不仅可以描述历史数据随着时间变化所呈现的规律,而且还可以用于经济领域的一些研究和预测。时间序列预测法在股票市场种常用来对股票价格的变化趋势进行预测,从而为投资者提供合理的决策依据。本文使用美元对人民币对数收益率的历史数据应用时间序列模型对其进行短期预测,得到了很好的预测结果。(本文来源于《西部皮革》期刊2018年12期）
李海燕[8]（2018）在《基于PCA-GA-BPNN模型对股价预测的研究》一文中研究指出自股市诞生之日起,国内外众多学者纷纷投身于研究股票市场中,并且提出了很多相应的股票价格的预测方法。然而股价会受到宏观经济环境、相关行业情况和公司经营情况等众多因素所影响。并且影响股价波动的因素之间往往是存在非常复杂的非线性关系,这些内部因素和外部因素的多变性导致了股价预测的工作变得非常艰巨。本文是在深入分析各种股价预测方法后结合人工智能这一热点,使用了 BP神经网络方法对股价进行预测并且通过matlab程序实现。BP神经网络具备自学习和非线性逼近能力,这正好可以解决影响股价因素之间的非线性关系。BP神经网络能够对股票的历史数据进行学习,从而找出股市的内在运行规律,并预测出股票价格的未来走势。然而其自身还存在一些缺陷,比如说输入数据可能存在数据冗余的问题,很难寻找到全局最优值,往往是局部最优,并且还存在训练速率较慢等问题。因此本文在针对BP神经网络的缺陷问题运用了一种优化办法,可以改善其自身缺陷。首先对输入样本数据用主成份分析法进行降维处理,一方面可以避免数据之间的冗余性,另一方面还可以减少数据输入的维度,提高算法的运行效率;然后针对于BP神经网络易陷局部最优的问题,使用GA算法优化网络的权值和阈值;最后本文选择的样本数据是沪深300股指日数据,时间跨度为2010年4月16日至2017年9月7日,通过matlab仿真实验确定BP神经网络的拓扑结构与隐含层的节点数并且确定相应的参数,对股票的价格进行预测,输出网络预测值、实际值与预测值的均方误差和相对误差百分比。通过matlab仿真实验结果可以证明,通过主成份分析法和遗传算法优化的神经网络的预测精度更为准确,并且模型更具稳定性,将该模型用于股价预测是可行有效的。尤其是对于在股票市场进行股票投资的中小投资者而言,可以作为一种行之有效的股价预测方法辅助他们进行投资,为他们尽可能的降低风险,提高收益。(本文来源于《西安理工大学》期刊2018-06-01）
尚卫平,戴昱[9]（2018）在《基于平滑ARIMA-LS-SVM组合模型的股价预测研究》一文中研究指出股票价格是一种复杂的非平稳、非线性时间序列,受宏观经济情况、公司财务状况以及国家政策等众多因素的影响,难以用单一数学模型准确描述。为了发挥各种股价预测方法的优点,本文提出了平滑ARI-MA-LS-SVM的组合模型进行股价预测。考虑到我国股市的噪声交易问题严重,本文通过指数平滑法,将股价序列分解成高频噪声序列和低频趋势序列两部分;其次,对这两部分序列分别建立ARIMA模型和LS-SVM模型;最后,将两个模型的预测结果水平迭加,得到最终的预测值。经实证分析,发现平滑ARIMA-LS-SVM组合模型较单一模型的短期预测效果更为理想。(本文来源于《区域金融研究》期刊2018年05期）
徐甜甜[10]（2018）在《基于LSTM神经网络模型的股价涨跌预测研究》一文中研究指出深度神经网络算法是近几年机器学习领域的一个热门话题。最早人工神经网络起源于上世纪40年代,专注于工程应用领域。直到深度网络的概念的出现,深度神经网络成为了新的宠儿,在图片识别、语音识别等领域应用颇多。目前,处理时序数据首选当是循环神经网络(RNN),当应用数据涉及某些顺序机器学习任务时,RNN由于其具有有限短期记忆的优势,可以达到很高的精度。而从原理上讲,1997年,在第一代RNN网络中引入了基于LSTM的架构后,LSTM神经网络模型大大的提高了网络精度。本文尝试将其应用在金融市场预测当中,研究一种更为有效地股市预测模型。本文基于LSTM神经网络模型对股票涨跌进行设计建模,在模型设计方面,考虑了不同的组合,以提高精度为诉求。并且,对模型的训练实例也提供不同的参考样本,以行业为分界线做实证研究,对比模型训练预测效果。针对输入特征,本文提取了个股行情指标、大盘行情指标、财务估值指标,分别将其及其组合作为网络的输入变量,作对比分析;同时还引入牛熊市周期的对比。模型网络结构方面,本文默认采用一层隐含层,过程中通过不断调整隐含层节点数来选择最佳模型结构。参数设置方面,针对学习率、迭代次数进行修改,选出最佳适应参数。同时本文所建立的LSTM神经网络模型是基于Adam算法模型进行优化。最后,我们使用该模型进行了量化回测,实证结果显示,该模型在股市预测中已经能取得了一定的实证效果。这也印证了该模型的有效性。(本文来源于《上海师范大学》期刊2018-05-01）
股价预测模型论文开题报告
（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：
本文将"万科A"股票的日收盘价作为研究对象,将股票自2018.6.1-2019.5.31的收盘价视为齐次马尔科夫链,并对未来的股价进行预测。结果显示,在短期股价预测方面,模型表现较好。
（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。
股价预测模型论文参考文献
[1].徐晨萌,方华.运用ARMA模型对股价预测的实证研究[J].经济研究导刊.2019
[2].张紫乾,刘明婉.马尔科夫链模型对短期股价的预测[J].大众投资指南.2019
[3].田晓丹.基于LSTM与多GARCH型混合模型的股价波动性预测的实证分析[D].哈尔滨工业大学.2019
[4].王亚红,程希明.基于财务指标的股价预测模型及实证研究[J].区域金融研究.2018
[5].邓楷鹏.基于GA-LMBP训练的神经网络模型预测股价的实证研究[D].西南财经大学.2018
[6].景秋玉.基于PCA-SVM-GARCH模型的股价预测[D].首都经济贸易大学.2018
[7].杨春静.基于时间序列模型的股价预测[J].西部皮革.2018
[8].李海燕.基于PCA-GA-BPNN模型对股价预测的研究[D].西安理工大学.2018
[9].尚卫平,戴昱.基于平滑ARIMA-LS-SVM组合模型的股价预测研究[J].区域金融研究.2018
[10].徐甜甜.基于LSTM神经网络模型的股价涨跌预测研究[D].上海师范大学.2018