本文關(guān)鍵詞：基于BP神經(jīng)網(wǎng)絡(luò)的股價(jià)預(yù)測研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：股市是現(xiàn)代金融市場的一個(gè)重要組成部分,股票價(jià)格不僅受到公司內(nèi)部因素的影響,還受到宏觀經(jīng)濟(jì)因素和市場因素的影響.由于眾多因素的影響,投資者很難把握股價(jià)的變化規(guī)律.所以建立一個(gè)能夠較好預(yù)測股票未來價(jià)格的模型,對投資者來說有實(shí)際應(yīng)用價(jià)值.BP神經(jīng)網(wǎng)絡(luò)通過對股價(jià)歷史數(shù)據(jù)的學(xué)習(xí),將股價(jià)變化的規(guī)律存儲在神經(jīng)元的權(quán)值中,通過訓(xùn)練好的網(wǎng)絡(luò)預(yù)測未來股價(jià).本文首先改進(jìn)了激勵(lì)函數(shù),使用新的激勵(lì)函數(shù)建立基于BP神經(jīng)網(wǎng)絡(luò)的單變量預(yù)測模型,并驗(yàn)證了激勵(lì)函數(shù)的有效性.結(jié)合周末效應(yīng)確定輸入數(shù)據(jù)和目標(biāo)輸出的擬合模式,預(yù)測結(jié)果不太理想.然后改進(jìn)輸入數(shù)據(jù)和目標(biāo)輸出的擬合模式,預(yù)測誤差明顯減小,但是改進(jìn)后的擬合模式每次只能預(yù)測一個(gè)未來股票價(jià)格.通過實(shí)證確定模型最優(yōu)的參數(shù)后推廣至連續(xù)預(yù)測,短期內(nèi)連續(xù)預(yù)測精度可以接受.最后使用時(shí)間序列的擬合模式,預(yù)測的誤差更小,通過選取合適的輸入層神經(jīng)元數(shù)量,能將誤差控制在較小范圍內(nèi),表明該擬合模式在單變量預(yù)測模型里是最優(yōu)的.確定最優(yōu)擬合模式,建立單變量動(dòng)態(tài)預(yù)測模型,加入決策函數(shù)和狀態(tài)函數(shù)進(jìn)行投資決策,策略收益率明顯高于個(gè)股和指數(shù)收益率,取得了超額收益.將單變量模型推廣到多變量模型,并加入新變量開盤價(jià)、最高價(jià)和最低價(jià),根據(jù)輸出方式的不同分為多輸出和單輸出兩種模型.在多輸出模型中確定最優(yōu)的變量組合為開盤價(jià)和收盤價(jià)兩個(gè)變量.而在單輸出模型中,確定使用四個(gè)變量的預(yù)測精度更高.在預(yù)測效果上,兩個(gè)模型均能夠?qū)崿F(xiàn)較好的預(yù)測結(jié)果,并且各有優(yōu)劣.分別將兩個(gè)模型推廣到動(dòng)態(tài)預(yù)測模型,并結(jié)合投資策略,兩種模型均取得了超額收益,說明模型是有效的.
【關(guān)鍵詞】：股價(jià)預(yù)測 神經(jīng)網(wǎng)絡(luò) BP算法 時(shí)間序列 擬合模式
【學(xué)位授予單位】：廣西大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：F832.51;TP183
【目錄】：

• 摘要4-6
• ABSTRACT6-11
• 第1章 緒論11-14
• 1.1 引言11
• 1.2 研究現(xiàn)狀11-13
• 1.3 本文研究內(nèi)容與結(jié)構(gòu)13-14
• 第2章 理論基礎(chǔ)14-22
• 2.1 影響股票價(jià)值投資的因素14-15
• 2.2 股票價(jià)格的預(yù)測基礎(chǔ)15
• 2.3 神經(jīng)網(wǎng)絡(luò)15-21
• 2.3.1 BP神經(jīng)網(wǎng)絡(luò)17-18
• 2.3.2 BP算法的學(xué)習(xí)過程18-20
• 2.3.3 改進(jìn)的BP算法20-21
• 2.4 本章小結(jié)21-22
• 第3章 基于BP神經(jīng)網(wǎng)絡(luò)的單變量預(yù)測模型22-34
• 3.1 改進(jìn)的激勵(lì)函數(shù)22-23
• 3.2 基于BP神經(jīng)網(wǎng)絡(luò)的單變量預(yù)測23-26
• 3.2.1 基于BP神經(jīng)網(wǎng)絡(luò)的單變量預(yù)測原理23-24
• 3.2.2 結(jié)合周末效應(yīng)的單變量預(yù)測模型的建立24-25
• 3.2.3 模型仿真與結(jié)果分析25-26
• 3.3 單變量滾動(dòng)預(yù)測26-29
• 3.3.1 模型仿真與結(jié)果分析27
• 3.3.2 樣本容量和輸入層神經(jīng)元數(shù)量對預(yù)測誤差的影響27-28
• 3.3.3 連續(xù)預(yù)測與結(jié)果分析28-29
• 3.4 單變量時(shí)間序列預(yù)測29-30
• 3.4.1 單變量時(shí)間序列預(yù)測原理30
• 3.4.2 模型仿真與結(jié)果分析30
• 3.5 單變量動(dòng)態(tài)預(yù)測投資模型30-32
• 3.5.1 動(dòng)態(tài)預(yù)測的原理30-31
• 3.5.2 投資策略與評價(jià)指標(biāo)31-32
• 3.5.3 模型仿真與結(jié)果分析32
• 3.6 本章小結(jié)32-34
• 第4章 基于BP神經(jīng)網(wǎng)絡(luò)的多變量預(yù)測模型34-40
• 4.1 單輸出預(yù)測模型34-35
• 4.1.1 單輸出預(yù)測的原理34
• 4.1.2 模型仿真與結(jié)果分析34-35
• 4.2 單輸出動(dòng)態(tài)預(yù)測投資模型35-36
• 4.2.1 模型仿真與結(jié)果分析35-36
• 4.3 多輸出預(yù)測模型36-37
• 4.3.1 多輸出預(yù)測的原理36
• 4.3.2 模型仿真與結(jié)果分析36-37
• 4.4 多輸出動(dòng)態(tài)預(yù)測投資模型37-39
• 4.4.1 投資策略37-38
• 4.4.2 模型仿真與結(jié)果分析38-39
• 4.5 本章小結(jié)39-40
• 結(jié)論與展望40-41
• 參考文獻(xiàn)41-44
• 致謝44-45
• 攻讀學(xué)位期間發(fā)表論文情況45

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

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

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 李墨;我國股票價(jià)格與會計(jì)信息的相關(guān)性研究[D];財(cái)政部財(cái)政科學(xué)研究所;2013年

  本文關(guān)鍵詞：基于BP神經(jīng)網(wǎng)絡(luò)的股價(jià)預(yù)測研究，由筆耕文化傳播整理發(fā)布。

本文編號：290267