股票市場是投資者、管理者和經(jīng)濟(jì)管理學(xué)者共同關(guān)注的熱點(diǎn)，自19世紀(jì)股票市場建立以來，對股票價(jià)格預(yù)測模型的研究一直是眾多學(xué)者關(guān)注的焦點(diǎn)。線性統(tǒng)計(jì)預(yù)測模型曾廣泛應(yīng)用于該領(lǐng)域，如AR、ARIMA模型等，但效果都不是很理想。近年來，眾多學(xué)者把股票市場看作是一個(gè)非線性的確定性動(dòng)力學(xué)系統(tǒng)，用非線性確定系統(tǒng)規(guī)律研究股價(jià)的行為越來越顯示出強(qiáng)大生命力。隨著非線性理論和人工智能技術(shù)的發(fā)展，小波分析和小波網(wǎng)絡(luò)等成為金融市場強(qiáng)有力的分析和預(yù)測工具。 本文對小波網(wǎng)絡(luò)預(yù)測模型進(jìn)行了深入分析和研究，構(gòu)建了適應(yīng)于股價(jià)分析的時(shí)間序列短期預(yù)測模型。本文研究的重點(diǎn)是小波網(wǎng)絡(luò)預(yù)測方法的應(yīng)用和實(shí)現(xiàn)。主要工作如下： 從小波網(wǎng)絡(luò)構(gòu)造理論出發(fā)，對目前廣泛應(yīng)用的小波網(wǎng)絡(luò)三種典型結(jié)構(gòu)進(jìn)行了深入分析。考慮網(wǎng)絡(luò)算法、逼近細(xì)節(jié)能力、包含頻域信息廣等方面因素，指出了用RBF-WNN（以尺度函數(shù)為激勵(lì)函數(shù)的小波網(wǎng)絡(luò)）、MLP-WNN（以小波函數(shù)為激勵(lì)函數(shù)的小波網(wǎng)絡(luò)）對股票市場進(jìn)行建模的不足，提出多分辨小波網(wǎng)絡(luò)（MRA-WNN）適合股價(jià)非線性時(shí)間序列預(yù)測。應(yīng)用MRA-WNN既能逼近股票市場的整體變化趨勢（輪廓），亦能捕捉變化的細(xì)節(jié)。 ... 

【文章來源】：哈爾濱工程大學(xué)黑龍江省 211工程院校

【文章頁數(shù)】：112 頁

【學(xué)位級別】：博士

【文章目錄】：
第1章 緒論
    1.1 課題的目的和意義
    1.2 股價(jià)基本分析方法
        1.2.1 股價(jià)波動(dòng)因素分析
        1.2.2 股價(jià)分析方法
        1.2.3 股價(jià)分析方法評價(jià)
    1.3 小波分析及應(yīng)用
    1.4 小波理論在金融領(lǐng)域中應(yīng)用綜述
    1.5 小波網(wǎng)絡(luò)發(fā)展及在預(yù)測中應(yīng)用
        1.5.1 小波網(wǎng)絡(luò)發(fā)展綜述
        1.5.2 小波網(wǎng)絡(luò)在時(shí)間序列預(yù)測中應(yīng)用綜述
    1.6 本文的主要工作
第2章 小波分析與小波網(wǎng)絡(luò)分析的理論基礎(chǔ)
    2.1 小波變換
        2.1.1 連續(xù)小波變換
        2.1.2 二進(jìn)小波變換
        2.1.3 高維小波變換
    2.2 多分辨分析
        2.2.1 尺度函數(shù)生成MRA
        2.2.2 MRA確定子空間直和分解
        2.2.3 MRA確定信號的級數(shù)表示形式
        2.2.4 MRA將頻域分成子頻帶的直和
        2.2.5 MRA確定的數(shù)字濾波器
        2.2.6 MRA是構(gòu)造小波的統(tǒng)一框架
    2.3 正交小波分解
    2.4 Mallat算法
        2.4.1 分解算法
        2.4.2 回復(fù)算法
    2.5 本章小結(jié)
第3章 小波神經(jīng)網(wǎng)絡(luò)模型
    3.1 引言
    3.2 神經(jīng)網(wǎng)絡(luò)模型
    3.3 小波網(wǎng)絡(luò)
    3.4 小波神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)
    3.5 多分辨小波網(wǎng)絡(luò)
        3.5.1 小波網(wǎng)絡(luò)算法分析
        3.5.2 小波網(wǎng)絡(luò)的構(gòu)造過程
    3.6 本章小結(jié)
第4章 多分辨小波網(wǎng)絡(luò)在股價(jià)預(yù)測中的應(yīng)用
    4.1 引言
    4.2 相空間重構(gòu)
    4.3 MRA-WNN預(yù)測模型
    4.4 網(wǎng)絡(luò)訓(xùn)練算法
        4.4.1 多分辨率的學(xué)習(xí)算法
        4.4.2 BP和多分辨率學(xué)習(xí)組合算法
        4.4.3 小波函數(shù)的選擇
    4.5 股價(jià)指數(shù)
        4.5.1 股價(jià)指數(shù)計(jì)算方法
        4.5.2 深證綜合指數(shù)
    4.6 實(shí)驗(yàn)結(jié)果分析
    4.7 本章小結(jié)
第5章 基于小波分解與重構(gòu)的神經(jīng)網(wǎng)絡(luò)預(yù)測方法及應(yīng)用
    5.1 引言
    5.2 信號的小波分解與重構(gòu)
    5.3 預(yù)測模型
    5.4 實(shí)驗(yàn)結(jié)果
    5.5 Mallat算法實(shí)現(xiàn)中一些問題
    5.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀博士學(xué)位期間發(fā)表的論文和取得的科研成果
致謝
個(gè)人簡歷


【參考文獻(xiàn)】：
期刊論文
[1]小波網(wǎng)絡(luò)在深圳股市應(yīng)用的研究[J]. 金玲玲,汪劉一.  華南農(nóng)業(yè)大學(xué)學(xué)報(bào). 2003(03)
[2]相空間重構(gòu)延遲時(shí)間與嵌入維數(shù)的選擇[J]. 修春波,劉向東,張宇河.  北京理工大學(xué)學(xué)報(bào). 2003(02)
[3]非線性逼近的自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)方法[J]. 褚曉勇,徐晨.  工程數(shù)學(xué)學(xué)報(bào). 2003(02)
[4]基于BP小波網(wǎng)絡(luò)的故障模式識別[J]. 唐賢瑛,張友亮.  計(jì)算機(jī)工程. 2003(07)
[5]小波網(wǎng)絡(luò)的研究進(jìn)展與應(yīng)用[J]. 劉志剛,王曉茹,錢清泉.  電力系統(tǒng)自動(dòng)化. 2003(06)
[6]我國證券市場的混沌與分形研究[J]. 張伯俊,胡斌.  天津職業(yè)技術(shù)師范學(xué)院學(xué)報(bào). 2003(01)
[7]非線性經(jīng)濟(jì)時(shí)間序列的相空間重構(gòu)及預(yù)測[J]. 王慶余.  天津職業(yè)技術(shù)師范學(xué)院學(xué)報(bào). 2003(01)
[8]小波神經(jīng)網(wǎng)絡(luò)的參數(shù)初始化研究[J]. 趙學(xué)智,鄒春華,陳統(tǒng)堅(jiān),葉邦彥,彭永紅.  華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2003(02)
[9]多變量時(shí)間序列復(fù)雜系統(tǒng)的相空間重構(gòu)[J]. 王海燕,盛昭瀚,張進(jìn).  東南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2003(01)
[10]基于小波分解與重構(gòu)的時(shí)間序列預(yù)測法[J]. 賀國光,馬壽峰,李宇.  自動(dòng)化學(xué)報(bào). 2002(06)



本文編號：3029817