基于人工神经元网络的股票分析及其逻辑设计

基于人工神经元网络的股票分析及其逻辑设计

温渤[1]2003年在《基于人工神经元网络的股票分析及其逻辑设计》文中提出股票市场具有高收益性与高风险性并存的特点。为趋利避害投资者们一直孜孜以求探索其内在规律,寻找有效的分析方法和工具。近年来,计算机技术与人工智能的发展为投资者更加科学地、定量地分析股票市场,测评股票投资价值提供了有利条件。本论文正是在这一背景下,就利用人工神经元网络技术分析股票市场进行了初步研究。 论文首先阐述了股票分析的传统理论及其存在的优缺点,接着阐述了人工神经元网络的基本理论,表明了利用人工神经元网络对股票市场进行分析的优点所在。 其次,建立了神经网络股票分析模型。模型主要由叁部分组成:基于上市公司财务报表数据、公司股票实时基础数据、国家宏观经济指标数据建立的神经网络股票分析指标体系;算法模型选择与网络配置;模型输出。 再次,依据上述模型构建的思想,论文对该模型软件实现进行了逻辑设计,着重论述了软件实现时的系统功能结构设计、系统数据流程、网络学习过程设计等关键性问题,为模型最终实现计算机化应用打下了良好的基础。 最后,论文选取2002年6月份沪市浦发银行、民生银行、爱建股份叁只股票真实数据进行了实证分析。实证分析的结果表明论文所建立的基于人工神经元网络的股票分析模型具有一定的理论价值与应用价值。

戴成骏[2]2016年在《基于文本情感分析的股价预测研究与实现》文中研究说明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。

武晓炜[3]2004年在《基于人工神经网络的股价预测模型研究》文中认为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。

刘兴华[4]2004年在《证券市场动力机制及智能体建模分析》文中研究说明上个世纪后半叶,现代金融学高速发展,以有效市场理论、投资组合理论、资本资产定价理论和期权定价理论为基石的现代金融学理论大厦迅速建立,并由此推动了80年代以后金融实践的巨大发展,金融理论几乎完成了它的使命。但是越来越多的异常(anomalies)现象,如:金融危机的频发、市场过大的波动、收益率分布的肥尾现象、规模效应、反应不足和反应过度等等与有效市场假说不符,引起了跨学科的研究者对金融理论的重新思考,产生了许多的新理论新思想,试图完善或重建金融理论体系。 新金融涉及多个领域,如心理学、物理学、复杂适应系统和人工智能等。代表理论有行为金融学、分形市场假说、金融物理学和在复杂适应系统概念下的多智能体计算经济学。对新金融理论研究之后,本文认为金融学新体系的建立,其核心的内容便是对基础的权益(股票)市场动力学机制的确立。市场动力学分析市场最基础的影响因素以及其运动规律和相互作用,如预期的特征、决策的规律以及价格形成机制等。 本论文的主要工作和结论如下: 1、论文在第一个层面上讲是对证券市场动力学机制的研究。对已有金融理论动力机制的分析和新动力机制的提出及论述贯穿整篇论文。在研究的基础上,论文把现代金融学和行为金融学所暗含的动力机制模式归类为静态机制,把引入复杂适应系统后建立的智能体模型所揭示的新机制归为动态机制。本文认为静态机制下的模型,特别是行为金融学模型和动态模型并不是对立的,前者是后者在特定市场状态下的静态描述或称定格分析。 现代金融学的动力机制简单描述为:建立在投资者同质预期的理性预期均衡。其特点是:理性且同质的投资者、演绎的逻辑、均衡的机制,并由理性套利保证了市场的有效运行:行为金融学并没有抛弃演绎逻辑的均衡机制,其动力机制的新特点是投资者的异质性、有限理性及心理对效用函数的异化;复杂适应系统的思想启发我们提出了新的动力学机制:多样化的投资者以归纳逻辑决策形成的动态均衡系统,这里投资者不是同质也不是简单异质,而是多样化。非完美的信息让投资者不得不用归纳逻辑决策,动态地进行学习和适应,市场成为一个动态进化的系统。本文认为这是一个更加完整和接近实际的动力学机制。 2、本文对市场动力学机制的分析着眼于对市场异常的解释。已证实存在的市场异常是对有效市场假说的最重要的挑战,解释异常是新金融各种思想的起点。本文的研究是在静态模型和动态模型的框架内进行的。 在静态模型部分本文详细讨论了行为金融学对异常的解释以后,提出自己的模型:东华大学博士学位论文投资者信念模型。该模型包括一个定性的模型和一个解析的静态模型,模型吸收了动态模型的思想,如归纳推理和学习,但仍然建立在均衡的框架上。定性的模型可以分析价格和交易量的形成机理及相互关系,是对市场动力机制的新理解;静态的解析模型分析了在某种特定状态下价格是如何在事件信息的影响下出现反应不足和反应过度的,同时也可以解释其它一些异常,并预言了两种有待验证的异常。 在动态模型部分,本文引入并改进少数派博弈模型,建立了基于智能体的人工市场模型。对少数派博弈模型的改进使智能体有了更高的“智能”、更强的适应性、更接近真实市场投资者的特征,使少数派博弈模型成为分析资本市场异常的工具。在此基础上建立的模型仿真出了很接近真实市场的收益率分布的尖峰、肥尾现象。 3、本文对市场动力学机制的分析之后,提出了短期预测的思路,并进行了实证研究。预测性一直是争论的焦点。传统的思想认为证券的价格受大量的几乎无法处理的外生因素的影响,这就导致预测陷入泥潭,因为无法处理这些巨量数据。而实际上,所有这些因素都被投资者所吸收而形成投资者信念,包括对收益的预期及对风险的评估,因此价格其实只受一个因素的影响,那就是投资者信念。价格和交易量的波动中必然包含投资者信念的信息,从系统的观点看,这些信念是在变化的,但是变化存在响应时间,只要挖掘出信念信息,短期预测在理论上存在可能性。 在静态模型的体系中,本文用神经元网络挖掘投资者信念来尝试预测,实证显示存在一定的预测能力。在动态模型中,智能体的策略集中包含了智能体的决策信息,本文发现让智能体模型用实际数据进行训练可以产生稳健的预测能力。 4、本文还致力于建立更合理的智能体整体市场模型。复杂适应性系统思想下的基于智能体的计算模型是一种研究证券市场的新方法,其代表便是圣塔菲研究所的人工市场模型。本文从市场动力学的角度认为圣塔菲的模型有许多并不完善的地方,如智能体智能不够高、学习的速度不够快、价格的决定机制依然采用预期均衡机制、仿真结果不够理想等。本文以扩展的少数派博弈模型为核心,建立一种新的基于智能体的计算模型,本文的模型有更接近实际的结构和机制,特别是可以分析趋势交易者的形成和影响,模型仿真认为趋势交易者是因为归纳推理及适应而自然产生的,这有别于行为金融学的固定非理性假设;智能体同时拥有价值策略和趋势策略会更“聪明”,可以比纯价值策略的智能更多获利;在对称信息下,趋势交易的存在不会扩大波动,反而可以有减少波

赵大伟[5]2008年在《基于人工神经网络的中国股票市场收益率预测研究》文中认为关于股票收益率预测研究,是一个很庞大的课题,在不同目的引导下会有多种不同的研究角度。本文的写作是基于投资者方面对股票收益率进行预测分析,笔者希望通过对历史数据的挖掘,用人工神经网络方法对历史数据进行模拟分析,对一些市场现象和变化进行解释。首先,本文介绍了国内外股票收益率及其预测的研究现状,对股票收益率及其预测的发展进行了简单分析;然后介绍了股票收益率及其预测的研究方法,为下面的实证分析研究奠定理论基础。其次,从理论上对股票收益率影响因素进行分析,首先分析F-F“叁因素模型”对股票收益率的分析和预测,“叁因素模型”主要是描述市场因素、规模因素、帐面市场权益因素对股票收益率的影响;随后分析交易量、政策及国内外经济对股票收益率的影响。再次,利用人工神经网络的研究方法,以Fama和French的“叁因素模型”为基础,并在此基础上改进模型,加入交易量和总风险系数作为自变量,即β风险系数、σ2总风险系数、规模、收益价格比和交易量作为自变量。文中分析涉及的五个基础变量,都是通过采集CSMAR数据库,运用微软的EXCEL进行数据整理和初步计算,然后导入到MATLAB软件中的神经网络工具箱建立网络进行模拟实证分析,接着预测研究各影响因素与股票收益率的关系,从而为股票收益率预测提供了研究思路。最后,采集上证各行业具有代表性的权重股,利用MATLAB软件进行实证分析得出:对股票收益率影响最大的是收益价格比和交易量,总风险系数和规模次之,β系数的影响最小。根据结论给出了投资者和监管部门的相关建议,建议投资者根据各个影响因素的大小选取适当投资对象,建议监管部门加强管理,以期为投资者提高投资回报率,为投资者实际投资提供理论指导。

杜修平[6]2006年在《基于数据挖掘的证券态势估计系统》文中指出本文作为面向证券的智能检索系统的一个重要组成部分,侧重于对证券进行技术分析,主要是对交易行情进行数据挖掘,期望建立起证券投资的自动决策系统。本文首先介绍了系统的体系结构,其次介绍了数据挖掘方法在该系统中的具体应用,最后介绍了系统的语音接口。本文将数据融合中的态势估计理论用于证券研究领域,提出了证券态势估计的新概念。由于证券市场具有高度复杂性,仅仅依靠单一的方法,不可能对证券市场做出精确的预测。为了充分利用多种预测方案的优势,本文用数据融合技术将各种数据挖掘方法组合起来。鉴于态势估计的层次化要求,本文使用分组多层黑板体系结构实现了证券态势估计系统(SSAS),并且建立了证券数据挖掘方法本体库。该系统被设计成一个开放的平台,便于扩充新的分析手段。本文使用自组织网络(SOM)对个股收盘价,市盈率,市净率,市销率和流通市值进行聚类,建立了基于财务指标的板块划分方法。对个股的时间序列数据进行小波分析,得到各级小波分解下的能量及能量分布,求得个股的信息量系数,然后用SOM聚类,创建了板块划分新方法。本文使用Apriori算法挖掘个股的关联规则,还进行了基于聚类的关联规则挖掘。另外,分析了每周各交易日个股走势及其关联关系,结果表明中国证券市场存在时间异象。本文使用马尔科夫链(Markov)进行股票的价格趋势预测。并且以个股时间序列的小波分解系数作为观测值,借用数字语音识别的思想,使用隐马尔科夫模型(HMM)进行价格趋势预测,改善了预测效果。用误差反馈神经网络(BP)对股票价格进行预测,结果表明,使用弹性BP或共轭BP得到了较好的预测效果。为扩充证券态势估计系统平台的应用,给该平台添加了语音识别接口。利用Microsoft的Speech SDK开发包,本文实现了一个小型的语音平台,解决了股票名称发音相似的匹配难题,对常用控制命令,股票名称和股票代码都能达到较高的识别效果。而且本文还研究了利用剑桥大学的HTK工具包实现对股票代码的识别问题,提高了股票代码的识别率。

伊鸣[7]2005年在《数据挖掘方法在股票交易数据分析及股票走势预测方面的应用和研究》文中研究指明本文分析了目前我国股票市场分析预测方法状况以及国内外数据仓库和数据挖掘技术在各个领域的应用,以提供股票投资决策为目的,研究了将数据仓库技术应用到股票分析系统中,建立了面向分析、面向决策的数据平台,采用数据挖掘技术中的前馈神经网络预测时间序列的分析方法,对股票数据进行分析与预测,补充了现有技术分析存在的不足。主要内容如下:1、对数据仓库和数据挖掘技术及其应用进行了讨论。并对现有的股票分析方法进行了综合分析,指出了不足,给出了基于前馈神经网络预测方法;2、按照数据仓库的构建方法,对股票分析系统进行需要分析,将数据进行转换、粒度划分、分割等操作,实现了股票分析系统数据仓库的建立,可以进行一般的查询和统计,初步建立了分析和决策平台;3、研究了多层前向精神网络的结构和反向传播算法——BP算法,讨论了前馈神经网络对时间序列数据进行预测网络模型的一般建立方法及预测设计方法,并基于BP 网络对股票进行实际

唐文慧[8]2009年在《基于数据挖掘技术的股价预测实证分析》文中认为随着人类经济社会的不断发展,各行各业的信息量正呈现爆发性增长趋势,其中极具代表性的是数据量以50%以上的年成长量不断刷新纪录。为了应对数据成长的压力,人们需要更多的技术与产品来满足数据成长的需要。而数据挖掘技术恰恰能做到这一点。金融业是基于信息驱动的行业,近年来数据挖掘技术在金融领域上的应用逐渐成熟,并且有越来越多的专家参与到技术开发中,数据挖掘技术已经广泛渗透到金融行业的各个机构、各项业务、各个工作环节,这种趋势推动着金融领域数据管理的不断完善和发展,相反也让越来越多的人开始学习掌握这一门新兴的技术。在金融业中,证券业属于数据密集型行业,积累了上市公司财务报表、客户关系、市场信息、交易数据等大量信息,伴随着时间的增长和不断增加的上市公司数量,数据已呈指数型增长趋势。此外,国内证券行业政策的不断完善和开放,以及越来越多的证券公司参与进来,使得证券行业的竞争已经白热化,券商分析决策时对实时数据和历史数据的敏感度和依赖度都越来越高。数据挖掘技术作为分析与辅助决策工具已经越来越得到国内券商的重视。由于证券市场反映的是一个国家的经济状况,所受影响的因素,包括行业竞争力、国家政策、国外经济环境等各类因素,影响因素众多且影响程度均不相同,因此券商的经营对数据的正确性、实时性、安全性要求很高。整个经营过程产生的数据主要分为客户交易数据和股票行情数据两大类:股票行情数据由交易所产生,主要反映了上市公司的经营能力及其股票的市场供求状况,属于实时共享信息;客户交易数据在各个证券公司营业部产生,反映了客户的资金状况,交易状况等,属于私有数据。对于数据挖掘技术而言,上述两类数据都有很大的应用空间,其主要的应用方向有:上市公司财务指标分析、风险分析、投资组合分析、交易数据分析、客户关系管理分析等。本文探讨了数据挖掘技术在股票价格分析与预测中的应用及适应程度。以数据挖掘技术为指导,以中国A股市场的个股基本面和技术面指标作为分析对象,通过对个股进行数据挖掘,探讨各类数据挖掘技术分析在分析与预测我国A股市场股票走势的应用情况。整个步骤采用了基于sas数据挖掘方法论(semma)过程:抽样(Sample)、探测(Explore)、修正(Modify)、建模(Model)、评估(Assess)、打分(Scoring)。论文主要分为五个部分:第一部分首先介绍了股票市场的相关概念和各类学术人士对股票市场的研究和分类:根据有效市场理论将股票市场分为弱势有效市场、半强势有效市场和强势有效市场叁大类,并对当前各国股票市场进行归类。然后根据市场分类的特点,叙述了当前股价分析与预测的主要方法,将股价分析与预测方法分为技术分析和基本分析两大类:技术分析包括了股票选择和建立投资组合;基本分析包括了选择交易策略和买卖时机。最后叙述了我国A股市场从1990年建市至今的发展历程,并从中总结了我国A股市场的特有性质:一是我国A股市场属于弱势有效市场;二是我国A股市场不是一般的弱势有效市场,而是具有社会主义性质的弱势有效市场。第二部分首先叙述了国内外专家对数据挖掘的定义,并通过流程图介绍数据挖掘过程:(1)应用领域知识的掌握,尤其是对应用目标相关的知识了解。(2)建立目标数据集:有针对性的选择所需数据集。(3)数据预处理:去除噪声或不一致的数据等(4)数据转换:数据变换或统一成符合挖掘的格式,如维变换。(5)选定挖掘算法:依据挖掘的目的,选择某种特定的算法以提取数据中的模式。(6)数据挖掘:用已选定的算法搜索并获取数据集中有需要的模式和知识。(7)解释:解释某个发现的模式,将其转化为能为用户所理解的模式。(8)模式评估:根据用户所需,识别出有价值的模式与知识,并将其结合到运行系统,以检查和证明所这些模式与知识的作用。其次通过图表对数据挖掘技术进行分类并介绍了各种国内外主流数据挖掘技术:(1)决策树,用二叉或多叉树形表述处理逻辑的技术,常用算法有ID3.0、C4.5、CHAID、CHRT算法,支持对离散属性和连续属性进行建模。(2)人工神经网络,模仿生物神经网络行为特征,进行分布式并行信息处理的技术,常用模型有前向式网络模型、反馈式网络模型。(3)逻辑回归,分析多个变量对结果的影响效果,常用模型有二分变量逻辑回归模型、多分变量逻辑回归模型。(4)聚类,对大量事先并未知晓其属性的数据集,按照数据的内在相似性将数据集划分为多个类别,使类别内的数据相似度较大而类别间的数据相似度较小。主要算法有:基于划分的算法、基于层次的算法、基于密度的算法、基于网格的算法、基于人工神经网络的算法。(5)关联规则分析,从给定的数据集中搜索数据项(items)之间所存在的有价值联系。关联规则算法主要有Aprior算法,基于划分的算法、FP-树频集算法。(6)时序模式分析,从历史的数据变动总结出其走势并预测未来走势的过程。主要分析模型有:AR模型、MA模型、ARMA模型、ARIMA模型。最后利用表格阐明各类数据挖掘算法在股票分析与预测中的作用。第叁部首先介绍了股票分析预测中的基本分析和技术分析:(1)基本分析,指以经济学的供求关系原理为基础,以判断金融市场的未来走势为目标对经济和政治数据进行分析,分析因素主要有宏观经济状况、利率水平、通货膨胀、企业素质、政治因素。狭义上的基本分析通常是指广义基本分析中的企业素质,分析因素主要包括企业财务报表、行业状况、管理层素质、产品的市场竞争力等(2)技术分析,技术分析主要是根据金融商品在过去某一时间段的供需变动来分析判断该商品未来价格的走势,最初是由人们在长期观察股价变动中积累的经验所形成的能够在某种程度上反映金融商品价格行为的交易法则。从分析因素上分,主要有形态类指标,如日K线,5分钟K线等;技术类指标,如RSI指标、MACD指标等。其次分别论述了决策树、关联分析、聚类、人工神经网络、逻辑回归算法五种数据挖掘技术在股票基本分析中的应用。并以上市公司财务指标、营业能力指标、获利能力指标、负债指标等基本面指标为分析变量分别建立分析预测模型。其中决策树采用了ID3.0算法;人工神经网络采用了BP算法;关联分析采用了划分法,聚类采用了自组织映射图算法。第四部分分别论述了决策树、人工神经网络、时间序列分析四种数据挖掘技术在股票技术分析中的应用。并以个股股价、日K线、月K线、MACD、KDJ、RSI等技术面指标作为分析变量分别建立分析预测模型。其中决策树采用了C4.5算法;人工神经网络采用了BP算法;时间序列模式分析采用了ARIMA模型分析。第五部分对利用各算法建立的股票分析预测模型进行评价,对各类算法的适用程度进行评价。

张贵勇[9]2016年在《改进的卷积神经网络在金融预测中的应用研究》文中研究指明世界经济正处在快速发展阶段,金融业也随之不断发展,金融活动日益增多,其变化趋势的不确定性也在增加。如何通过学习和掌握金融活动规律,预测其未来的变化趋势,成为学术界和金融界的关注重点和主要研究内容。有效的金融预测可以为金融计划和决策的制定提供依据,维持金融市场的健康发展,使盈利机构的利益最大化。卷积神经网络是一种模拟生物视觉系统运行机制的多层神经网络结构。它是由多层卷积层和降采样层顺序连接构成的神经网络,能够从原始数据中获取有用的特征描述,是一种从数据中提取特征的有效方法。目前卷积神经网络已经成为语音识别、图像识别及分类、自然语言处理等领域的研究热点,并在这些领域有了广泛且成功的应用。因此本文引入卷积神经网络结构对金融时间序列数据进行预测。本文首先整理和总结了国内外关于金融时间序列的研究方法,简要介绍了人工神经网络和深度学习方法,并重点介绍了卷积神经网络和支持向量机的算法原理。然后改进卷积神经网络以适合金融时间序列数据,并建立卷积神经网络和支持向量机融合的混合模型,最后将两种预测模型应用于金融时间序列数据的预测中。本文主要的研究工作如下:(1)结合金融时间序列数据的特点,改进卷积神经网络,建立了适用于金融时间序列数据的卷积神经网络预测模型,并将模型应用于股票指数预测。研究了网络模型的相关参数对股票指数预测结果的影响;(2)改进卷积神经网络股票指数预测模型,将卷积神经网提取有效特征的优点与支持向量机良好的分类预测能力相结合,给出了一种卷积神经网络-支持向量机混合模型预测股票指数,提高预测精度;(3)建立了基于卷积神经网络的汇率预测模型,研究了模型参数对汇率预测结果的影响;将卷积神经网络-支持向量机混合预测模型应用于汇率预测中。通过仿真对比,验证本文给出的两种预测模型的可行性和有效性。

朱瑜[10]2006年在《股市预测方法研究》文中指出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。

参考文献:

[1]. 基于人工神经元网络的股票分析及其逻辑设计[D]. 温渤. 哈尔滨工程大学. 2003

[2]. 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

[3]. 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

[4]. 证券市场动力机制及智能体建模分析[D]. 刘兴华. 东华大学. 2004

[5]. 基于人工神经网络的中国股票市场收益率预测研究[D]. 赵大伟. 燕山大学. 2008

[6]. 基于数据挖掘的证券态势估计系统[D]. 杜修平. 天津大学. 2006

[7]. 数据挖掘方法在股票交易数据分析及股票走势预测方面的应用和研究[D]. 伊鸣. 吉林大学. 2005

[8]. 基于数据挖掘技术的股价预测实证分析[D]. 唐文慧. 西南财经大学. 2009

[9]. 改进的卷积神经网络在金融预测中的应用研究[D]. 张贵勇. 郑州大学. 2016

[10]. 股市预测方法研究[D]. 朱瑜. 西北工业大学. 2006

标签:;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  

基于人工神经元网络的股票分析及其逻辑设计
下载Doc文档

猜你喜欢