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(chǎng)的發(fā)展過(guò)程中,人們一直致力于如何準(zhǔn)確地預(yù)測(cè)股票價(jià)格,與此同時(shí),預(yù)測(cè)方法也在不斷更新。到目前為止,簡(jiǎn)單的模型已經(jīng)不能滿足人們對(duì)預(yù)測(cè)精度的期望。本文提出的PCA-MLR-MEABP組合模型意在預(yù)測(cè)上證指數(shù)的走向,實(shí)現(xiàn)了兩個(gè)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(jìn)化算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò))的結(jié)合,具有很強(qiáng)的預(yù)測(cè)能力和實(shí)際應(yīng)用價(jià)值。為了更好地提取上證指數(shù)的趨勢(shì)信息,本文從股價(jià)、成交量、漲跌趨勢(shì)、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(gè)技術(shù)指標(biāo),使用主成分分析法(PCA)進(jìn)行指標(biāo)的匯總和趨勢(shì)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(gè)主成分變量;接著使用思維進(jìn)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(shuō)明組合模型的有效性,本文從擬合精度和趨勢(shì)預(yù)測(cè)精度兩個(gè)方面共選取了四個(gè)誤差檢驗(yàn)統(tǒng)計(jì)量,對(duì)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(yàn)證-隨機(jī)森林(CV-RF)模型、Elman神經(jīng)網(wǎng)絡(luò)(ElmanNN)模型做誤差檢驗(yàn),最終發(fā)現(xiàn),PCA-MLR-MEABP組合模型在模型擬合度和趨勢(shì)預(yù)測(cè)準(zhǔn)確度方面都有顯著優(yōu)勢(shì)。
[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(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：F832.51;F224

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

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

2 楊曉峰;嚴(yán)建峰;劉曉升;楊璐;;深度隨機(jī)森林在離網(wǎng)預(yù)測(cè)中的應(yīng)用[J];計(jì)算機(jī)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(duì)稱研究——基于彈簧振子理論及TARCH模型[J];中國(guó)市場(chǎng);2016年20期

5 袁志明;張琦;黃康;馮姍姍;;基于隨機(jī)森林的列車到站時(shí)間預(yù)測(cè)方法[J];鐵道運(yùn)輸與經(jīng)濟(jì);2016年05期

6 丁海山;;股災(zāi)階段的匯率波動(dòng)對(duì)股價(jià)影響的實(shí)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(bào);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(dòng)化;2015年14期

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

10 楊爭(zhēng)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(cè)中的應(yīng)用[J];計(jì)算機(jī)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(shí)間價(jià)值的神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)[D];廣東財(cái)經(jīng)大學(xué);2013年

，

本文編號(hào)：1911650