【摘要】：如今,股票市場是世界最大的金融市場之一,預測股票的未來狀態(tài)一直是股票市場參與者關(guān)注的焦點。然而股票市場易受多種因素影響的特點,使股票價格不斷波動變成一種極不穩(wěn)定的時間序列。面對瞬息萬變的金融市場,人們一直致力于研究股票價格指數(shù)及其走勢特點,因此,對股票價格指數(shù)變動的準確預測對于指導股票市場交易有著重要意義,主要體現(xiàn)在兩方面:一是從國家角度看,預測股票價格指數(shù)變動能切實反映整個股市的波動規(guī)律和趨向走勢,有助于預估國民經(jīng)濟的未來變化,為國家制定財政政策、管理金融投資提供依據(jù),從而有效規(guī)避金融風險,加強股票市場的穩(wěn)定性和流動性,促進經(jīng)濟事業(yè)的健康持續(xù)發(fā)展;二是從投資者角度來說,投資者可以據(jù)此預測股票市場的發(fā)展動向,進而合理配置個人資產(chǎn),根據(jù)風險偏好選擇不同收益水平的投資組合,在獲取高收益的同時也能最大限度地規(guī)避股票市場的隱藏風險。作為時間序列分析中概念較新的一種非參數(shù)數(shù)據(jù)驅(qū)動技術(shù)——奇異譜分析(Singular Spectrum Analysis,SSA)技術(shù),它擺脫了各種傳統(tǒng)研究方法的限制,它通過創(chuàng)建時間序列的軌跡矩陣和利用線性代數(shù)中的奇異值分解(Singular Value Decomposition,SVD)來構(gòu)造相應的奇異值序列,從而形成相應的奇異值譜。由于不同大小的奇異值所反映的時間序列的信息也不同,因此,SSA可將原始序列分解為幾個獨立的、可解釋的分量之和,以捕捉時間序列的不同分量的信息,故常常被用作傳統(tǒng)預測方法的預處理手段。然而在降噪時,若人為地通過奇異值來確定噪聲成分,就不可避免地摻雜了主觀因素,導致降噪后的序列要么信息損失過多要么過于擬合,預測精度并不高。而且值得注意的是,噪聲分量迅速變化造成的波動雖然很小,對整個股票價格波動的影響較弱,但這種波動能反映短期內(nèi)股票價格的局部變化。因此,噪聲成分不適合預測股票價格的長期走勢,但可用于預測股價的短期變化�；诖�,本文提出的基于奇異譜分析的自回歸移動平均模型(Autoregressive入Moving Average Model,ARMA)和支持向量機回歸(Support Vector)Machine Regression,SVR)相結(jié)合的股票價格指數(shù)預測模型,充分發(fā)揮出不同預測模型的優(yōu)勢,對股指序列的短期趨勢做了更為準確的預測,主要步驟如下:首先,介紹了奇異譜分析、支持向量機和自回歸移動平均模型的原理和建模流程;其次,以上述模型為基礎(chǔ),應用奇異譜分析技術(shù)將原始數(shù)據(jù)序列分解為趨勢序列、波動序列和噪聲序列三部分,然后對得到的子序列分別進行平穩(wěn)性檢驗,并采用SVR模型來預測非平穩(wěn)序列,采用ARMA模型來預測平穩(wěn)序列,通過整合得到最終預測結(jié)果;最后,與基于奇異譜分析的三種支持向量回歸模型進行比較,并采用不同的模型評價標準對預測效果進行比較。結(jié)果表明,利用奇異譜分析的方法提取出的噪聲序列中還存在著有用信息,因此保留噪聲序列并對其進行分析是有必要的;經(jīng)過奇異譜分析得到的子序列結(jié)構(gòu)變得更為簡單,更容易被模擬;本文提出的基于奇異譜分析的ARMA和SVR相結(jié)合的預測模型比基于奇異譜分析的SVR單一模型對股指預測有更高的精度。
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：F224.0;F830.91
【圖文】：

山東大學碩士學位論文三章基于奇異譜分析的ＡＲＭＡ－ＳＶＲ組合模流程逡逑對選取的股指序列通過ＳＳＡ分解，將其分解為趨勢序列，波２、對分解之后得到的子序列進行平穩(wěn)性檢驗；３、對非平型進行預測，對平穩(wěn)的序列利用ＡＲＭＡ模型進行預測；４、預測值，得到最終的股指預測值。５、與基于ＳＳＡ的不同

４．２組合預測模型實證研究逡逑４．２．１統(tǒng)計特征描述逡逑首先，圖４．１展示的是樣本的時間序列圖：逡逑邐ｃｌｏｓｅ邐ｊ｜逡逑３５００－邐ｊｌ逡逑，邐ｆ］逡逑Ｉ逡逑Ｄａｔｅ逡逑圖４．１：原始時序圖逡逑從圖中可以看出上證綜指在波動中存在上升的趨勢。表４．１為時序的描述性統(tǒng)計逡逑量，該表顯示股指收盤價序列均值不為零，通過觀察最大值、最小值和標準差逡逑的數(shù)值，可以得出股票價格的漲幅很大，表明股票價格有劇烈的波動。此外，逡逑由圖可知偏度Ｓ值大于零，表明分布偏右；峰度Ｋ值小于３，呈平頂分布，因此，逡逑與標準正態(tài)分布（Ｓ＝０，邋Ｋ＝３）相比，股票價格的訓練集數(shù)據(jù)呈現(xiàn)右偏、平頂逡逑—邋２５－逡逑

１０％邋ｌｅｖｅｌ邐－３．１３３３０９逡逑圖４．２：股票價格的ＡＤＦ檢驗結(jié)果逡逑在１０％顯著性水平下，股票價格的ＡＤＦ統(tǒng)計數(shù)據(jù)未能拒絕時間序列具有單位根逡逑的零假設，表明股票價格是非平穩(wěn)的。因此，能夠有效地解決非線性和非平穩(wěn)逡逑數(shù)據(jù)的方法更適合于股票價格分析和預測。逡逑４．２．２利用奇異譜分析分解重構(gòu)逡逑由于本文用于訓練的數(shù)據(jù)有４００個，因此選擇的窗口長度為１３０個（大約是逡逑序列長度的三分之一），然后利用ＳＶＤ對軌跡矩陣進行分解，得到按照非增順逡逑序排列的１３０個奇異值，通過對奇異值的分析研宄，得到如下的奇異熵的增量逡逑圖。逡逑邐Ｓｉｇｕｌａｒ邋Ｅｎｔｒｏｐｙ逡逑０．０８－逡逑￡邋０．０６邋■逡逑ｃ逡逑ＵＪ逡逑０．０４－邐＼逡逑■黑＼逡逑０．０２邋■邋＼逡逑０．００？］邐邐邋—逡逑°邐＾邐％０邐少逡逑Ｐｒｉｎｃｉｐａｌ邋Ｃｏｍｐｏｎｅｎｔ逡逑圖４．３：奇異熵的增量逡逑－２６邋—逡逑

【相似文獻】

相關(guān)期刊論文 前10條

1 張仲梁;;科學計量學中的譜分析[J];中國軟科學;1988年01期

2 鄭滇;鄭哲民;何國湘;楊曉燕;;蝗蟲心電圖的ARMA譜分析技術(shù)在分類學中的應用[J];陜西師大學報(自然科學版);1988年03期

3 楊建男;趙珍義;;紫外—可見光譜中的差譜技術(shù)[J];計算機與應用化學;1988年04期

4 何啟章;;為看譜儀器的作用爭鳴[J];光譜實驗室;1988年03期

5 趙曉初;;關(guān)于看譜分析技術(shù)的兩點意見[J];理化檢驗.化學分冊;1986年05期

6 吳衛(wèi)潔;;聲譜分析技術(shù)——聲樂教學可視化的工具[J];音樂時空;2014年21期

7 韓捷,石來德;全譜分析技術(shù)及其在故障診斷中的應用[J];鄭州大學學報(工學版);2002年03期

8 宋菲;掃描電子顯微鏡及能譜分析技術(shù)在黃土微結(jié)構(gòu)研究上的應用[J];沈陽農(nóng)業(yè)大學學報;2004年03期

9 陳宏;韓捷;郝偉;王麗雅;;基于矢譜分析技術(shù)的轉(zhuǎn)子系統(tǒng)連續(xù)摩擦故障診斷[J];機械強度;2011年02期

10 ;重慶立頂微譜分析技術(shù)有限公司[J];新型建筑材料;2018年09期

相關(guān)會議論文 前5條

1 袁凱龍;許國旺;孔宏偉;路馨;李海峰;馬晨菲;;一種基于尿中有機酸的SPME／GC×GC-FID的指紋圖譜分析的代謝方法研究[A];第十五次全國色譜學術(shù)報告會文集（上冊）[C];2005年

2 曾勉;樂友喜;蔡俊雄;;基于最小二乘約束的譜分析技術(shù)在薄層識別中的應用[A];2017中國地球科學聯(lián)合學術(shù)年會論文集（四十二）——專題81：應用地球物理學前沿、專題82：工程結(jié)構(gòu)性態(tài)化設計與地震韌性、專題83：地球重力場及其地學應用[C];2017年

3 劉平;劉穎;;航空材料可見光譜分析技術(shù)的標準化問題研究[A];大型飛機關(guān)鍵技術(shù)高層論壇暨中國航空學會2007年學術(shù)年會論文集[C];2007年

4 苗鑫;陳子云;李世陽;韓韜;;基于貝葉斯模型的多通道RJ-MCMC共振譜分析技術(shù)[A];中國聲學學會2017年全國聲學學術(shù)會議論文集[C];2017年

5 閻盛慈;;前言[A];X射線熒光分析技術(shù)應用論文集[C];2003年

相關(guān)碩士學位論文 前6條

1 袁金銘;基于奇異譜分析的ARMA-SVR模型在股指預測中的應用[D];山東大學;2019年

2 林征勝;嫦娥一號繞月伽瑪能譜分析技術(shù)研究[D];成都理工大學;2010年

3 李麗;基于SSB便攜式α譜儀能譜分析技術(shù)研究[D];成都理工大學;2012年

4 王凱;基于穩(wěn)定性同位素~(15)N示蹤和代謝譜分析技術(shù)的茶葉氮代謝研究[D];安徽農(nóng)業(yè)大學;2012年

5 趙安敬;基于無線熱點的人流量時頻域分析[D];北京郵電大學;2016年

6 陳健松;某水下航行體自噪聲特性研究[D];西北工業(yè)大學;2002年

本文編號：2744351