本文構(gòu)造了隱馬爾可夫模型、CNN、LSTM、支持向量機(jī)的組合算法,旨在尋求股票收盤價(jià)精準(zhǔn)預(yù)測的算法。在處理缺失值和異常值的過程中,本文使用三次樣條插值法填充了缺失值,使用DBSCAN聚類的方法刪除了異常值。考慮到不同的因素指標(biāo)對下一交易日收盤價(jià)的影響程度不同,本文采用灰色關(guān)聯(lián)判別分析其關(guān)聯(lián)度,剔除了關(guān)聯(lián)度小于0.9的指標(biāo),避免了數(shù)據(jù)冗余,提高了運(yùn)算效率。本文使用中信證券和上證指數(shù)的數(shù)據(jù)實(shí)證研究后發(fā)現(xiàn),單獨(dú)預(yù)測模型并不能很好地預(yù)測收盤價(jià)的漲跌。為此,本文使用主成分分析來確定四種方法的權(quán)值,最終得出組合預(yù)測股票漲跌的比例達(dá)到95.65%和94.26%。 

【文章來源】：當(dāng)代金融研究. 2020年03期 第92-103頁

【文章頁數(shù)】：12 頁

【部分圖文】：

三次樣條插值

在預(yù)測階段，HMM模型通過狀態(tài)轉(zhuǎn)移矩陣和輸出概率矩陣計(jì)算出后一日預(yù)測結(jié)果的概率分布，從而得出預(yù)測結(jié)果，但是從結(jié)果來看仍有較大的改進(jìn)空間。圖3 HMM預(yù)測值和真實(shí)值對比

HMM預(yù)測值和真實(shí)值對比

【參考文獻(xiàn)】：
期刊論文
[1]基于EEMD,SVM和ARMA組合模型的電價(jià)預(yù)測[J]. 張金良,王明雪.  電力需求側(cè)管理. 2020(03)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器有載分接開關(guān)故障識別[J]. 曾全昊,王豐華,鄭一鳴,何文林.  電力系統(tǒng)自動(dòng)化. 2020(11)
[3]基于離散型隱馬爾可夫模型的股票價(jià)格預(yù)測[J]. 張旭東,黃宇方,杜家浩,繆永偉.  浙江工業(yè)大學(xué)學(xué)報(bào). 2020(02)
[4]基于熵權(quán)法和灰色關(guān)聯(lián)度的中壓配電網(wǎng)供電水平關(guān)鍵性指標(biāo)研究[J]. 周俊峰,胡詩堯,安佳坤,韓璟琳,賀春光,馬國真.  科技通報(bào). 2019(12)
[5]基于深度長短時(shí)記憶網(wǎng)絡(luò)的區(qū)域級超短期負(fù)荷預(yù)測方法[J]. 張宇帆,艾芊,林琳,袁帥,李昭昱.  電網(wǎng)技術(shù). 2019(06)
[6]一種基于三次樣條插值法的時(shí)基誤差校正方法[J]. 趙洋,高立,何羚,何丕雁.  國外電子測量技術(shù). 2017(08)
[7]基于DBSCAN聚類算法的異常軌跡檢測[J]. 周培培,丁慶海,羅海波,侯幸林.  紅外與激光工程. 2017(05)
[8]基于主成分分析的PM2.5的影響因素權(quán)重確定方法[J]. 董健衛(wèi),陳艷美,孟盼.  廣東技術(shù)師范學(xué)院學(xué)報(bào). 2016(11)



本文編號：2907229