隨著經(jīng)濟(jì)發(fā)展,人們開始關(guān)注股票市場,由于股票市場的高度復(fù)雜性以及影響因素眾多給股市的預(yù)測帶來很大的困難。股市的預(yù)測也一直被專家學(xué)學(xué)者研究,預(yù)測精度高的模型能更好的指導(dǎo)投資者減少投資的風(fēng)險(xiǎn)。本文主要針對股市預(yù)測模型中的尖峰點(diǎn)難以預(yù)測導(dǎo)致模型準(zhǔn)確度低的問題,從指標(biāo)背離的角度對股市中的異常突變點(diǎn)進(jìn)行分析,以支持向量機(jī)模型作為基礎(chǔ)預(yù)測模型,對股市波動(dòng)預(yù)測進(jìn)行研究。本文開展的研究如下：(1)由于股票價(jià)格波動(dòng)具有較強(qiáng)的突變性,導(dǎo)致股票價(jià)格走勢難以預(yù)測。提出基于離群特征模式的股市波動(dòng)預(yù)測模型(SOFSVM),該算法首先利用馬爾科夫毯選取目標(biāo)結(jié)點(diǎn)的局部網(wǎng)絡(luò)結(jié)構(gòu),以屏蔽其他結(jié)點(diǎn)對目標(biāo)結(jié)點(diǎn)的影響；進(jìn)而,對目標(biāo)結(jié)點(diǎn)的指標(biāo)進(jìn)行分析,提取異于一般行為的離群特征模式；利用滑動(dòng)窗口捕捉離群特征,將離群特征模式作為先驗(yàn)知識加入原SVM模型,預(yù)測尖峰點(diǎn)并平滑尖峰點(diǎn)對于預(yù)測結(jié)果的影響,提高預(yù)測模型的穩(wěn)健性。(2)針對SOFSVM算法對于背離之后股價(jià)波動(dòng)的方向預(yù)測效果不理想的情況,提出基于特征能量的股市波動(dòng)預(yù)測模式(EOF-SVM)。EOF-SVM算法根據(jù)多個(gè)指標(biāo)背離及特殊指標(biāo)形態(tài)將指標(biāo)數(shù)據(jù)與股價(jià)建立貝葉斯網(wǎng)絡(luò),通過貝葉斯...

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
第一章 緒論
    1.1 本文研究的背景
    1.2 國內(nèi)外的研究現(xiàn)狀
    1.3 貝葉斯網(wǎng)絡(luò)
    1.4 本文的課題來源及工作創(chuàng)新
        1.4.1 課題來源
        1.4.2 本文主要工作創(chuàng)新
    1.5 文章的章節(jié)安排
第二章 貝葉斯網(wǎng)絡(luò)及特征選擇算法
    2.1 貝葉斯網(wǎng)絡(luò)
        2.1.1 貝葉斯定理
        2.1.2 貝葉斯網(wǎng)絡(luò)的相關(guān)定義
        2.1.3 概率圖分割和變量獨(dú)立
        2.1.4 條件獨(dú)立性的測試方法
    2.2 馬爾科夫毯
        2.2.1 馬爾科夫毯的相關(guān)定義及應(yīng)用
        2.2.2 馬爾科夫毯算法
    2.3 常見的特征選擇選法
        2.3.1 特征選擇
        2.3.2 PCA算法
        2.3.3 KCA算法
        2.3.4 遺傳算法
    2.4 本章小結(jié)
第三章 基于離群特征模式的股市波動(dòng)預(yù)測
    3.1 引言
    3.2 支持向量機(jī)
        3.2.1 基礎(chǔ)理論介紹
        3.2.2 支持向量機(jī)算法介紹
    3.3 離群特征模式
        3.3.1 股市技術(shù)指標(biāo)
        3.3.2 離群特征模式定義
        3.3.3 離群特征模式提取
    3.4 融合離群特征模式的支持向量機(jī)
        3.4.1 馬爾科夫毯特征選擇
        3.4.2 建立離群特征
        3.4.3 離群特征模式的引入
        3.4.4 算法描述
    3.5 實(shí)驗(yàn)數(shù)據(jù)處理
        3.5.1 試驗(yàn)數(shù)據(jù)
        3.5.2 用馬爾科夫毯進(jìn)行特征選擇
        3.5.3 對數(shù)據(jù)預(yù)處理
        3.5.4 模型參數(shù)的選擇
        3.5.5 對比實(shí)驗(yàn)算法
        3.5.6 評價(jià)標(biāo)準(zhǔn)
    3.6 SOFSVM預(yù)測的結(jié)果分析
        3.6.1 數(shù)據(jù)集劃分
        3.6.2 SOFSVM預(yù)測結(jié)果
        3.6.3 對比分析
    3.7 本章小結(jié)
第四章 基于特征能量的股市波動(dòng)預(yù)測
    4.1 引言
    4.2 貝葉斯網(wǎng)絡(luò)的風(fēng)險(xiǎn)評估
    4.3 滑動(dòng)窗口
        4.3.1 數(shù)據(jù)流
        4.3.2 窗口技術(shù)
    4.4 基于特征能量的支持向量機(jī)
        4.4.1 貝葉斯網(wǎng)絡(luò)模型的構(gòu)建
        4.4.2 股市波動(dòng)能量
        4.4.3 能量窗口
        4.4.4 EOF-SVM算法
    4.5 EOF-SVM算法結(jié)果
        4.5.1 實(shí)驗(yàn)數(shù)據(jù)
        4.5.2 用馬爾科夫毯進(jìn)行特征選擇
        4.5.3 貝葉斯網(wǎng)絡(luò)的構(gòu)建
        4.5.4 EOF-SVM算法結(jié)果
        4.5.5 預(yù)測對比分析
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文的主要工作
    5.2 下一步工作
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況



本文編號：3843854