【摘要】： 如何準確的分析和預(yù)測證券市場的未來趨勢的一直是一個熱門話題,其傳統(tǒng)分析方法大致分為兩大類:基本分析法和技術(shù)分析法�；痉治龇ɑ谛袠I(yè)的前景及公司的基本面對上市公司的未來股價做預(yù)測。技術(shù)分析法利用歷史數(shù)據(jù)來預(yù)測未來趨勢。近期,由于現(xiàn)代計算機智能技術(shù)的發(fā)展,諸多研究工作者利用智能技術(shù)、機器學習方法對股市進行預(yù)測,取得了可觀的成就。然而,根據(jù)羅伯茨提出的有效市場假設(shè)理論,如果一個證券市場為弱式有效市場,則任何技術(shù)分析法將毫無用處;如果一個市場為半強勢有效市場,則任何基本分析法和技術(shù)分析法將毫無用處。 本文試圖從歷史數(shù)據(jù)中尋找潛在的游戲規(guī)則和行為模式,從而指導(dǎo)投資者進行投資決策。對于一個投資者來說,股指預(yù)測往往對其來說并沒有太大的意義,而股指拐點的預(yù)測以及趨勢的判斷往往更加重要。因此,本文致力于預(yù)測股市趨勢的拐點,及通過啟發(fā)式的聚類方法篩選股市中最具牛、熊勢K線形態(tài)的個股,從而幫助投資者進行選股分析及預(yù)警指示。本文的研究步驟包括如下: 首先,本文使用Pearson相關(guān)系數(shù)及Q值檢驗,對中國股市進行弱式有效檢驗,結(jié)論是:中國股市為弱式有效市場,其時間序列不存在簡單的線性相關(guān)性。然而這并不能排除中國股市中存在著復(fù)雜的非線性模式的可能性。 隨后,本文開創(chuàng)性的將模糊邏輯與生物序列比對算法相結(jié)合,提出了基于模糊K線序列比對的股市技術(shù)分析與預(yù)測模型。該模型能夠較以往模型的優(yōu)越性是:能夠根據(jù)比對的結(jié)果動態(tài)地得到匹配序列的長度,并且允許加入間隔,增加了匹配的冗余性;并且,該模型是對歷史上所有股票的數(shù)據(jù)進行比對,其預(yù)測準確率均高于以往的模型;此外,該模型具有很強的趨勢預(yù)測能力,能夠準確地把握股指今后的趨勢,幫助投資者在其中獲得超額利潤。 最后,本文利用模糊K線序列比對模型,通過啟發(fā)式的方法,在歷史上預(yù)先找到具有牛、熊勢形態(tài)的K線組合,對它們進行聚類后,得到具有預(yù)測能力的牛、熊勢形態(tài)K線數(shù)據(jù)庫,通過比對該數(shù)據(jù)庫來達到選股、預(yù)警等功能。測試表明,該模型能夠幫助投資者進行準確的選股分析及預(yù)警分析。統(tǒng)計結(jié)果表明,實驗中找到的牛、熊市形態(tài)K線模式具有很強的預(yù)測拐點的能力,能夠為投資者在選股的過程中提供有用的信息。在實驗中,通過比對牛勢K線模式數(shù)據(jù)庫,能過得到其今后趨勢顯著強于大盤的個股;而通過比對熊勢K線模式數(shù)據(jù)庫,能夠得到其今后趨勢顯著弱于大盤的個股。 本文所做的研究工作旨在使用智能算法來尋找金融時間序列中的潛在模式,通過一系列嚴密的測試與驗證,本文得到了可觀的預(yù)測結(jié)果,盡管仍舊存在不少問題與缺陷有待今后繼續(xù)探究,相信利用該模型能夠幫助股市投資者進行有效的歷史信息挖掘,指導(dǎo)投資者把握股市中的拐點,進行準確的投資行為。
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2009
【分類號】：F224;F830.91
【圖文】：

因此對于 1 天來說，描述實體的模糊集合的論域為：[-0.2,0.2]，正規(guī)化后，論域為：[-2.1,2.1]。隸屬度函數(shù)如圖 3-2(A)所示：圖3-2 隸屬度函數(shù)圖((A) 實體的隸屬度函數(shù)；(B) 影線的隸屬度函數(shù)；(C) 實體與影線相對位置的隸屬度函數(shù)；(D) 趨勢的隸屬度函數(shù))Fig.3-2 Plot of Member Function圖 3-2(A)中，X 軸表示的是實體的類型，由公式(3-1)得到：

【引證文獻】

相關(guān)期刊論文 前1條

1 王義;柳會;;基于資金流向分析的股票短期投資決策研究[J];中國證券期貨;2011年09期

本文編號：2792264