本文關(guān)鍵詞： 主成分分析 ARIMA-GARCH 神經(jīng)網(wǎng)絡(luò) 遺傳算法　出處：《天津商業(yè)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：近年來,中國的經(jīng)濟快速增長,證券市場不斷擴大,股票市場迎來空前的繁榮期,投資者面臨著前所未有的機遇,同時也面臨著高風(fēng)險和高挑戰(zhàn)。龐大的股民數(shù)量和便捷的交易方式,使得股市市場產(chǎn)生了大量有價值的信息,每個交易日都有著海量的數(shù)據(jù)流通,這些數(shù)據(jù)構(gòu)成了投資者進行投資分析的主體之一。在中國股市市場,基于計算機和大數(shù)據(jù)發(fā)展起來的量化投資策略逐漸興起,量化模型日益成為指導(dǎo)市場投資的主流工具。與此同時,股票市場本身具有的非線性和復(fù)雜性等特點,使得傳統(tǒng)的投資策略很難達到人們的期望,而人工神經(jīng)網(wǎng)絡(luò)具有的較強的非線性逼近能力和其自學(xué)習(xí)、自適應(yīng)等特性,使得其在股市預(yù)測方面的優(yōu)越性日益凸顯。本文選取了自2012年11月21日至2016年12月30日共1000個交易日、15個指標(biāo)的上證綜合指數(shù)數(shù)據(jù)為研究對象,首先通過主成分分析法對輸入指標(biāo)進行降維處理,最終得到5個主成分變量,然后建立了針對上證綜合指數(shù)的時間序列ARIMA-GARCH模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。然而,BP神經(jīng)網(wǎng)絡(luò)固有的一些缺陷,如學(xué)習(xí)收斂速度太慢、網(wǎng)絡(luò)結(jié)構(gòu)不易確定等,制約了其預(yù)測的精度和速度,因而本文又利用遺傳算法來對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化,建立了遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型。最后,論文選取相對誤差為衡量指標(biāo),對模型結(jié)果進行對比分析。論文研究結(jié)果表明,神經(jīng)網(wǎng)絡(luò)在股價預(yù)測精度方面顯著優(yōu)于ARIMA-GACH模型,且經(jīng)遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)較之一般的神經(jīng)網(wǎng)絡(luò)在預(yù)測速度和精度方面也有所提高。
[Abstract]:In recent years, with the rapid growth of Chinese economy and the expansion of the stock market, the stock market is facing an unprecedented boom period, and investors are facing unprecedented opportunities. At the same time, it also faces high risk and high challenge. The huge number of shareholders and convenient trading methods make the stock market produce a lot of valuable information, every trading day has a huge amount of data circulation. These data constitute one of the main bodies of investors' investment analysis. In the Chinese stock market, the quantitative investment strategy based on computer and big data is emerging. The quantitative model is becoming the mainstream tool to guide the market investment. At the same time, the nonlinear and complexity of the stock market makes it difficult for the traditional investment strategy to meet the expectations of people. The artificial neural network has strong nonlinear approximation ability and its self-learning, adaptive and other characteristics. This paper selects 1000 trading days from November 21st 2012 to December 2016. Shanghai Composite Index data of 15 indexes as the research object, first through the principal component analysis to reduce the dimension of the input indicators, finally get 5 principal component variables. Then the time series ARIMA-GARCH model and BP neural network prediction model for Shanghai Composite Index are established. However, there are some inherent defects of BP neural network, such as slow learning convergence rate. The network structure is not easy to determine, which restricts the precision and speed of prediction. Therefore, the genetic algorithm is used to optimize the neural network, and the neural network model of genetic algorithm optimization is established. Finally. The relative error is chosen as the index to compare and analyze the model results. The results show that the neural network is significantly better than the ARIMA-GACH model in the accuracy of stock price prediction. The prediction speed and precision of the neural network optimized by genetic algorithm are also improved compared with that of the normal neural network.
【學(xué)位授予單位】：天津商業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：F832.51

【參考文獻】

相關(guān)期刊論文 前7條

1 黃恒秋;;基于高頻數(shù)據(jù)的支持向量機量化擇時預(yù)測模型[J];科技經(jīng)濟導(dǎo)刊;2016年13期

2 蔡軍;;如何打造自己的量化交易系統(tǒng)[J];時代金融;2013年33期

3 王冰;李想;;淺議量化投資在國內(nèi)市場的發(fā)展[J];經(jīng)濟視角(下);2011年03期

4 歐陽金亮;陸黎明;;綜合改進BP神經(jīng)網(wǎng)絡(luò)算法在股價預(yù)測中的應(yīng)用[J];計算機與數(shù)字工程;2011年02期

5 楊穌;史耀媛;宋恒;;基于支持向量機的股市時間序列預(yù)測算法[J];科學(xué)技術(shù)與工程;2008年02期

6 施燕杰;基于支持向量機(SVM)的股市預(yù)測方法[J];統(tǒng)計與決策;2005年04期

7 湯凌冰,廖福元,羅鍵;模糊神經(jīng)網(wǎng)絡(luò)在股價預(yù)測中的應(yīng)用[J];系統(tǒng)工程;2004年02期

相關(guān)重要報紙文章 前1條

1 鞏萬龍;;走進真實的量化投資[N];上海證券報;2010年

相關(guān)博士學(xué)位論文 前1條

1 王帥;量化投資：從行為金融到高頻交易[D];華東師范大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 趙子瑜;量化分析在我國A股市場中的應(yīng)用研究[D];安徽財經(jīng)大學(xué);2015年

2 李天野;基于動量效應(yīng)的A股板塊量化投資策略的研究[D];上海交通大學(xué);2014年

3 張希影;基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)股票價格預(yù)測[D];青島科技大學(xué);2014年

4 張明;基于改進動態(tài)神經(jīng)網(wǎng)絡(luò)的股票預(yù)測模型的研究[D];內(nèi)蒙古大學(xué);2014年

5 趙晨;動態(tài)神經(jīng)網(wǎng)絡(luò)在量化投資預(yù)測中的應(yīng)用[D];復(fù)旦大學(xué);2014年

6 李藝;量化交易策略模型應(yīng)用研究[D];云南財經(jīng)大學(xué);2014年

7 張利平;基于多因子模型的量化選股[D];河北經(jīng)貿(mào)大學(xué);2014年

8 汪敏;建立在中國股市的數(shù)量化投資模型實證分析[D];復(fù)旦大學(xué);2013年

9 王俊杰;量化交易在中國股市的應(yīng)用[D];南京大學(xué);2013年

10 閆冬;神經(jīng)網(wǎng)絡(luò)技術(shù)在股票價格短期預(yù)測中的應(yīng)用研究[D];重慶交通大學(xué);2013年

，

本文編號：1444346