本文關(guān)鍵詞：行為金融視角下的股指預(yù)測(cè)方法研究

  更多相關(guān)文章： 股指預(yù)測(cè) 行為金融指標(biāo) 支持向量機(jī) 仿生優(yōu)化算法

【摘要】：實(shí)際的金融市場(chǎng)中有諸多傳統(tǒng)金融理論無法解釋的現(xiàn)象，，例如投資者對(duì)市場(chǎng)信息的過度反應(yīng)或反映不足、羊群效應(yīng)、IPO首發(fā)抑價(jià)等等。大量事實(shí)表明，基于投資者理性假設(shè)的有效市場(chǎng)理論存在明顯的缺陷，而投資者對(duì)市場(chǎng)信息的個(gè)人解讀以及內(nèi)心波動(dòng)，都影響著投資者做出不同的決策行為。 為此，一些專家已經(jīng)開始關(guān)注并研究金融決策中的投資者行為和心理波動(dòng)。在保留一些通用的理論范式前提下，學(xué)者們利用心理學(xué)理論研究投資者行為研究，探索投資者心理波動(dòng)的過程和投資行為決策的影響因素，再通過數(shù)量化模型實(shí)證研究的準(zhǔn)確性。 本文結(jié)合行為金融、神經(jīng)網(wǎng)絡(luò)和仿生算法等理論，對(duì)我國(guó)證券市場(chǎng)的股票指數(shù)序列的演化及其復(fù)雜性做出了相應(yīng)分析，既能幫助投資者更深刻的認(rèn)識(shí)我國(guó)證券市場(chǎng)的行為和內(nèi)在機(jī)制，還能有助于投資者正確認(rèn)識(shí)和把握我國(guó)股票市場(chǎng)波動(dòng)的混沌規(guī)律，引導(dǎo)投資者進(jìn)行正確投資，保障我國(guó)證券市場(chǎng)健康持續(xù)的發(fā)展，具有一定的理論價(jià)值和實(shí)踐意義。具體的工作內(nèi)容包括： （1）概述當(dāng)前主要的股指預(yù)測(cè)方法、神經(jīng)網(wǎng)絡(luò)模型及其優(yōu)化、智能仿生算法發(fā)展現(xiàn)狀；并重點(diǎn)介紹基于非統(tǒng)計(jì)原理的股指預(yù)測(cè)模型及其優(yōu)化。對(duì)比較常見的股指預(yù)測(cè)模型例如BP神經(jīng)網(wǎng)絡(luò)模型、Elman神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型做詳細(xì)介紹，提出不同模型的優(yōu)缺點(diǎn)；并介紹了兩種常見的仿生優(yōu)化算法，遺傳算法和粒子群算法。 （2）構(gòu)建行為金融指標(biāo)體系。首先，基于股價(jià)行為研究和投資者情緒指標(biāo)研究提出影響投資行為的指標(biāo)，篩選后進(jìn)行因子分析，提出影響股指的行為金融指標(biāo)。對(duì)行為金融指標(biāo)和股指進(jìn)行格蘭杰因果分析，實(shí)證所定義的行為金融指標(biāo)不僅具備定量的可解釋性，同樣符合經(jīng)濟(jì)學(xué)涵義。最后，構(gòu)建行為金融指標(biāo)體系。 （3）基于支持向量機(jī)和仿生優(yōu)化算法的股指預(yù)測(cè)模型構(gòu)建。根據(jù)股指預(yù)測(cè)和行為金融指標(biāo)的特點(diǎn)，選擇支持向量機(jī)作為模型方法，并利用實(shí)驗(yàn)對(duì)比的仿生選擇模型的核函數(shù)和最佳參數(shù)。并構(gòu)建基于支持向量機(jī)和仿生優(yōu)化算法的股指預(yù)測(cè)模型。 （4）應(yīng)用研究�；跇�(gòu)建的股指預(yù)測(cè)模型進(jìn)行應(yīng)用研究。對(duì)比以BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，發(fā)現(xiàn)以仿生算法優(yōu)化的支持向量機(jī)預(yù)測(cè)模型的回歸擬合效果最優(yōu)，證明所構(gòu)建模型的有效性。
【關(guān)鍵詞】：股指預(yù)測(cè) 行為金融指標(biāo) 支持向量機(jī) 仿生優(yōu)化算法
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：F823.51;F224
【目錄】：

• 摘要5-6
• Abstract6-11
• 第一章 緒論11-20
• 1.1 研究背景及意義11-12
• 1.2 國(guó)內(nèi)外研究綜述12-18
• 1.2.1 股指預(yù)測(cè)模型與方法12-13
• 1.2.2 神經(jīng)網(wǎng)絡(luò)模型及其優(yōu)化13-14
• 1.2.3 智能仿生優(yōu)化方法14-16
• 1.2.4 仿生優(yōu)化算法應(yīng)用研究16-18
• 1.3 研究方法18
• 1.4 研究?jī)?nèi)容18-20
• 第二章 股指預(yù)測(cè)的特點(diǎn)及預(yù)測(cè)模型20-33
• 2.1 股指預(yù)測(cè)的特點(diǎn)20-21
• 2.1.1 股指波動(dòng)的特點(diǎn)20
• 2.1.2 股指預(yù)測(cè)模型的特點(diǎn)20-21
• 2.2 基于非統(tǒng)計(jì)原理的股指預(yù)測(cè)模型21-30
• 2.2.1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型21-25
• 2.2.2 支持向量機(jī)預(yù)測(cè)模型25-30
• 2.3 仿生優(yōu)化算法30-32
• 2.3.1 遺傳算法30-31
• 2.3.2 粒子群算法31-32
• 2.4 本章小結(jié)32-33
• 第三章 行為金融指標(biāo)體系構(gòu)建及因果檢驗(yàn)33-52
• 3.1 投資行為影響因素33-35
• 3.1.1 股價(jià)行為研究33
• 3.1.2 投資者情緒指標(biāo)研究33-35
• 3.2 影響投資行為的指標(biāo)選取及篩選35-40
• 3.2.1 影響投資行為的指標(biāo)選取35-37
• 3.2.2 影響投資行為的指標(biāo)篩選37-40
• 3.3 影響投資行為指標(biāo)的因子分析40-43
• 3.3.1 提取公共因子40-43
• 3.3.2 計(jì)算因子得分43
• 3.4 行為金融因子格蘭杰因果分析43-50
• 3.4.1 ADF 檢驗(yàn)43-44
• 3.4.2 格蘭杰檢驗(yàn)和分析44-50
• 3.4.3 行為金融指標(biāo)體系構(gòu)建50
• 3.5 本章小結(jié)50-52
• 第四章 基于 SVM 和仿生算法的股指預(yù)測(cè)模型構(gòu)建52-66
• 4.1 股指預(yù)測(cè)的可行性分析52
• 4.1.1 股指預(yù)測(cè)與支持向量機(jī)52
• 4.1.2 行為金融指標(biāo)與支持向量機(jī)52
• 4.2 核函數(shù)的確定52-59
• 4.2.1 三種常用的核函數(shù)53-54
• 4.2.2 核函數(shù)確定流程54
• 4.2.3 核函數(shù)對(duì)比評(píng)價(jià)指標(biāo)54-55
• 4.2.4 實(shí)驗(yàn)對(duì)比和結(jié)果分析55-59
• 4.3 模型參數(shù)的優(yōu)化選取59-65
• 4.3.1 參數(shù)優(yōu)化實(shí)驗(yàn)流程59-60
• 4.3.2 模型參數(shù)范圍的確定60-62
• 4.3.3 性能評(píng)價(jià)方法和評(píng)價(jià)指標(biāo)62-63
• 4.3.4 基于遺傳算法的參數(shù)確定63-64
• 4.3.5 基于粒子群算法的參數(shù)確定64
• 4.3.6 優(yōu)化實(shí)驗(yàn)結(jié)果比較64-65
• 4.4 預(yù)測(cè)模型的構(gòu)建65
• 4.5 本章小結(jié)65-66
• 第五章 行為金融視角下股指預(yù)測(cè)方法應(yīng)用研究66-75
• 5.1 應(yīng)用實(shí)驗(yàn)設(shè)計(jì)66-68
• 5.1.1 樣本數(shù)據(jù)準(zhǔn)備66
• 5.1.2 應(yīng)用流程設(shè)計(jì)66-67
• 5.1.3 性能指標(biāo)設(shè)計(jì)67-68
• 5.2 應(yīng)用測(cè)試結(jié)果68-72
• 5.2.1 基于支持向量機(jī)的股指預(yù)測(cè)68-69
• 5.2.2 基于 BP 神經(jīng)網(wǎng)絡(luò)的股指預(yù)測(cè)69-71
• 5.2.3 基于 Elman 神經(jīng)網(wǎng)絡(luò)的股指預(yù)測(cè)71-72
• 5.3 輸出結(jié)果對(duì)比與分析72-74
• 5.4 本章小結(jié)74-75
• 總結(jié)75-77
• 參考文獻(xiàn)77-82
• 附錄82-90
• 攻讀碩士學(xué)位期間取得的研究成果90-91
• 致謝91-92
• 答辯委員會(huì)對(duì)論文的評(píng)定意見92

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前10條

1 周萬隆;姚艷;;支持向量機(jī)在股票價(jià)格短期預(yù)測(cè)中的應(yīng)用[J];商業(yè)研究;2006年06期

2 溫從德;;基于遺傳算法的股票指數(shù)復(fù)制方法實(shí)證檢驗(yàn)[J];中國(guó)城市經(jīng)濟(jì);2010年05期

3 吳微,陳維強(qiáng),劉波;用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票市場(chǎng)漲跌[J];大連理工大學(xué)學(xué)報(bào);2001年01期

4 盛昭瀚,馬軍海,陳國(guó)華;管理科學(xué):面對(duì)復(fù)雜性Ⅱ——經(jīng)濟(jì)時(shí)序動(dòng)力系統(tǒng)分形及混沌特性分析研究[J];管理科學(xué)學(xué)報(bào);1998年04期

5 王美今,孫建軍;中國(guó)股市收益、收益波動(dòng)與投資者情緒[J];經(jīng)濟(jì)研究;2004年10期

6 李立輝,田翔,楊海東,胡月明;基于SVR的金融時(shí)間序列預(yù)測(cè)[J];計(jì)算機(jī)工程與應(yīng)用;2005年30期

7 林春燕;朱東華;;基于Elman神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)研究[J];計(jì)算機(jī)應(yīng)用;2006年02期

8 劉華春;;基于Elman神經(jīng)網(wǎng)絡(luò)的股市決策模型[J];計(jì)算機(jī)應(yīng)用;2009年S1期

9 吳成東,王長(zhǎng)濤;人工神經(jīng)元BP網(wǎng)絡(luò)在股市預(yù)測(cè)方面的應(yīng)用[J];控制工程;2002年03期

10 王京寶;;徑向基函數(shù)網(wǎng)絡(luò)(RBF)在股市預(yù)測(cè)中的應(yīng)用[J];科技信息;2007年02期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 劉小龍;細(xì)菌覓食優(yōu)化算法的改進(jìn)及應(yīng)用[D];華南理工大學(xué);2011年

  本文關(guān)鍵詞：行為金融視角下的股指預(yù)測(cè)方法研究

  更多相關(guān)文章： 股指預(yù)測(cè) 行為金融指標(biāo) 支持向量機(jī) 仿生優(yōu)化算法

本文編號(hào)：511203