本文選題：技術(shù)分析指標(biāo) + 主成分分析(PCA)　； 參考：《蘭州大學(xué)》2017年碩士論文

【摘要】：在股票市場的發(fā)展過程中,人們一直致力于如何準確地預(yù)測股票價格,與此同時,預(yù)測方法也在不斷更新。到目前為止,簡單的模型已經(jīng)不能滿足人們對預(yù)測精度的期望。本文提出的PCA-MLR-MEABP組合模型意在預(yù)測上證指數(shù)的走向,實現(xiàn)了兩個結(jié)合:多種技術(shù)分析方法的結(jié)合、線性方法(主成分分析、多元線性回歸)與非線性方法(思維進化算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò))的結(jié)合,具有很強的預(yù)測能力和實際應(yīng)用價值。為了更好地提取上證指數(shù)的趨勢信息,本文從股價、成交量、漲跌趨勢、漲跌幅度等方面,選取BBI指標(biāo)、MWVAD指標(biāo)、乖離率(BIAS指標(biāo))、K值、D值、BOLL指標(biāo)、WR指標(biāo)、成交量八個技術(shù)指標(biāo),使用主成分分析法(PCA)進行指標(biāo)的匯總和趨勢分解;然后利用多元線性回歸(MLR)的方法將主成分分析的結(jié)果整合成四個主成分變量;接著使用思維進化算法(MEA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,最終構(gòu)造出優(yōu)化模型PCA-MLR-MEABP組合模型。為了說明組合模型的有效性,本文從擬合精度和趨勢預(yù)測精度兩個方面共選取了四個誤差檢驗統(tǒng)計量,對PCA-MLR-MEABP組合模型、涉及到的PCA-MLR組合模型和BPNN模型、單一的神經(jīng)網(wǎng)絡(luò)模型:廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)模型、交叉驗證-隨機森林(CV-RF)模型、Elman神經(jīng)網(wǎng)絡(luò)(ElmanNN)模型做誤差檢驗,最終發(fā)現(xiàn),PCA-MLR-MEABP組合模型在模型擬合度和趨勢預(yù)測準確度方面都有顯著優(yōu)勢。
[Abstract]:In the development of stock market, people have been working on how to accurately predict the stock price, at the same time, the forecasting methods are constantly updated. Up to now, the simple model can not meet the expectations of prediction accuracy. The PCA-MLR-MEABP combination model proposed in this paper is intended to predict the trend of the Shanghai Stock Exchange Index and realizes two combinations: the combination of various technical analysis methods, the linear method (principal component analysis, and the principal component analysis). The combination of multivariate linear regression and nonlinear method (BP neural network optimized by evolutionary algorithm) has strong predictive ability and practical application value. In order to better extract the trend information of the Shanghai Stock Exchange Index, this paper selects the BBI index from the aspects of stock price, trading volume, trend of rise and fall, the index of MWVAD, the rate of departure (BIAS), the index of K value and D value of bole index, the index of WR, and the eight technical indexes of trading volume. The principal component analysis (PCA) was used to summarize the index and the trend decomposition, and then the results of principal component analysis were integrated into four principal component variables by the method of multivariate linear regression (MLR). Then the weight and threshold of BP neural network are optimized by using the thought evolution algorithm (MEA), and the PCA-MLR-MEABP combinatorial model of the optimization model is constructed. In order to illustrate the validity of the combined model, this paper selects four error test statistics from two aspects of fitting accuracy and trend forecasting precision. For the PCA-MLR-MEABP combination model, the PCA-MLR combination model and the BPNN model are involved. Single neural network model: generalized regression neural network (GRNN) model, cross-validation-random forest CV-RFV model Elman neural network (Elman NNN) model for error testing, Finally, it is found that PCA-MLR-MEABP combination model has significant advantages in model fitting and trend prediction accuracy.
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：F832.51;F224

【參考文獻】

相關(guān)期刊論文 前10條

1 張金仙;閆二樂;楊拴強;;基于自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測模型的研究[J];長春大學(xué)學(xué)報;2016年06期

2 楊曉峰;嚴建峰;劉曉升;楊璐;;深度隨機森林在離網(wǎng)預(yù)測中的應(yīng)用[J];計算機科學(xué);2016年06期

3 趙薔;;主成分分析方法綜述[J];軟件工程;2016年06期

4 孫世楠;周博文;;2015年“股災(zāi)”前后上證指數(shù)非對稱研究——基于彈簧振子理論及TARCH模型[J];中國市場;2016年20期

5 袁志明;張琦;黃康;馮姍姍;;基于隨機森林的列車到站時間預(yù)測方法[J];鐵道運輸與經(jīng)濟;2016年05期

6 丁海山;;股災(zāi)階段的匯率波動對股價影響的實證分析——2015年股災(zāi)的原因探究[J];上海管理科學(xué);2016年02期

7 胡人友;;上證指數(shù)的影響因素分析[J];安徽冶金科技職業(yè)學(xué)院學(xué)報;2016年01期

8 付琦;;一種基于遺傳算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法[J];制造業(yè)自動化;2015年14期

9 李盛;郭民之;康文倩;;基于隨機森林法的煤礦微震危害預(yù)測[J];云南民族大學(xué)學(xué)報(自然科學(xué)版);2015年04期

10 楊爭光;范良忠;;基于MEC-BP神經(jīng)網(wǎng)絡(luò)在水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測中的應(yīng)用[J];計算機與現(xiàn)代化;2015年06期

相關(guān)碩士學(xué)位論文 前1條

1 陳建新;基于時間價值的神經(jīng)網(wǎng)絡(luò)的股票價格預(yù)測[D];廣東財經(jīng)大學(xué);2013年

，

本文編號：1911650