發(fā)布時(shí)間：2020-08-08 20:53

【摘要】：預(yù)測(cè)金融資產(chǎn)的價(jià)格變化規(guī)律一直是金融學(xué)領(lǐng)域一個(gè)非常重要,并且具有挑戰(zhàn)性的問題。金融資產(chǎn)價(jià)格的時(shí)間序列數(shù)據(jù)具有時(shí)變性、非線性、非平穩(wěn)等特性。這使得對(duì)于其價(jià)格的預(yù)測(cè)非常的復(fù)雜和困難。計(jì)量經(jīng)濟(jì)學(xué)家發(fā)明了一系列的計(jì)量方法來(lái)處理這類問題；常用的模型包括：線性回歸模型,時(shí)間序列模型等等。另外,人工智能的模型,如人工神經(jīng)網(wǎng)絡(luò)、遺傳算法等模型也越來(lái)越多的被應(yīng)用到價(jià)格預(yù)測(cè)中。本文運(yùn)用金融時(shí)間序列分析法與人工智能算法對(duì)我國(guó)股票價(jià)格進(jìn)行預(yù)測(cè),并對(duì)這兩種模型的預(yù)測(cè)結(jié)果進(jìn)行比較。這在理論和實(shí)際方面都有著較為重要的意義。本文首先綜述以上兩類方法在股價(jià)預(yù)測(cè)領(lǐng)域的歷史與發(fā)展；如金融時(shí)間序列分析的自回歸滑動(dòng)平均ARMA模型、向量自回歸VAR模型和廣義自回歸條件異方差GARCH模型等,以及人工智能算法的人工神經(jīng)網(wǎng)絡(luò)ANN、遺傳算法GA等；然后在中國(guó)股票市場(chǎng)這個(gè)背景下進(jìn)行數(shù)據(jù)分析研究,即使用EViews和MATLAB軟件分別運(yùn)行具有兩類代表性的GARCH模型和BP-ANN模型,分別對(duì)上證A股指數(shù)的走勢(shì)和大智慧(601519)單支股票價(jià)格趨勢(shì)進(jìn)行預(yù)測(cè)分析。最后再根據(jù)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,從而加深對(duì)金融數(shù)據(jù)分析方法的理解。通過本文的研究可以看出,無(wú)論是在對(duì)股票指數(shù)預(yù)測(cè)方面,還是單支股票預(yù)測(cè)方面,BP-ANN的效果都優(yōu)于GARCH。
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：F832.51;F224
【圖文】：

置我們所采用的非線性自相關(guān)模型中的滯后階數(shù)，即人工神經(jīng)網(wǎng)絡(luò)中的逡逑輸入變量個(gè)數(shù)，本文中Ｎｕｍｂｅｒ邋ｏｆ邋ｄｅｌａｙｓ邋ｄ邋＝邋７。得出神經(jīng)網(wǎng)絡(luò)邏輯結(jié)構(gòu)示逡逑意圖如圖３－４所不：逡逑Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ逡逑Ｈｉｄｄｅｎ邋Ｌａｙｅｒ邋ｗｉｔｈ邋Ｄｅｌａｙｓ邐Ｏｕｔｐｕｔ邋Ｌａｙｅｒ逡逑；酬逡逑２０邋１逡逑圖３－４上證Ａ股指數(shù)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖逡逑步驟６．點(diǎn)擊“Ｔｒａｉｎ”進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，以求解相關(guān)的權(quán)重系數(shù)。逡逑綜上，得出對(duì)上證Ａ股指數(shù)樣本內(nèi)數(shù)據(jù)的訓(xùn)練效果圖如圖３－５所示：逡逑

邐２６．邋１３８１邐７．４２７３１３逡逑注：表格數(shù)據(jù)來(lái)源于ＭＡＴＬＡＩｉ的運(yùn)行結(jié)果逡逑接下來(lái)對(duì)誤差項(xiàng)的自相關(guān)系數(shù)進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果如圖３－６所示：逡逑Ａｕｔｏｃｏｒｒｅｌａｔｉｏｎ邋ｏｆ邋Ｅｒｒｏｒ邋誤差項(xiàng)的自淚關(guān)系數(shù)逡逑p哄宥澹哄危懾濉懾五五危卞危卞危卞危卞危卞危懾巍頡赍義希巍觥鱟怨窆叵凳義希埃埃玻擔(dān)保㈠五五澹熬芄叵擔(dān)剩櫻翦澹義希掊五蔚切漚玨義希懾五五義暇坼澹埃埃插澹危義習(xí)噱義希礤義希彥澹埃埃保靛澹危義希卞義希ⅲ渝義希镥�，ｓＳz3?■？－．５逡逑，j_逡逑０．００５邋－邐■邐？邐－逡逑Ｌｊ邐Ｉ邐１邐１邐１邐１邐Ｉ邐Ｉ邐ｉ—ｌ邋Ｓｉ逡逑－２０邐－１５邐－１０邐－５邐．０邐５邐１０邐１５邐２０邋／■逡逑ｇｒ？、，邐Ｌａｇ滯ｇ階數(shù)逡逑圖３－６對(duì)Ａ股指數(shù)的ＢＰ－ＡＮＮ預(yù)n,法的誤差項(xiàng)的自相關(guān)系數(shù)逡逑如圖３－６所示，擬合誤差的自相關(guān)系數(shù)除了滯后零階項(xiàng)以外，其他項(xiàng)的Ｓ相關(guān)系數(shù)逡逑都比較小。因此我們說擬合的模型是比較合理的。逡逑再利用該訓(xùn)練完畢的ＢＰ－ＡＮＮ結(jié)構(gòu)對(duì)樣本外數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到對(duì)應(yīng)３９個(gè)交易逡逑日的預(yù)測(cè)值｝７（／邋＝邋１

注：表格數(shù)據(jù)＿保Ｓ邋２位小數(shù)逡逑平均值－是取其絕對(duì)值的平均值逡逑同樣，再將廠與｝＾邋？值描點(diǎn)繪制趨勢(shì)圖如圖３－７所示進(jìn)行比較。逡逑？‘邋■邋ＡＫＪｉeW逡逑２２４０邋ｊ邐１￣一￣Ｉ邐１邐１邐邐１邐邐邐１邐１邐１邋：逡逑邐邋１￥木外數(shù)據(jù)逡逑２２２０邋－邐／／邋＼＼邐一＂＂R[－逡逑２２。。－逡逑．ｏｏｆ邐Ｖ邋＾逡逑ｏｎｏｎ邋邐Ｉ邐Ｉ邐■邐１．邐１邐Ｉ邐‘邐逡逑挪邋Ｕｑ邐５邐１０邐１５邐２０邐２５邐３０邐３５邐４０逡逑天數(shù)逡逑圖３－７通過ＢＰ－ＡＮＮ模型得出上證Ａ股指數(shù)預(yù)n,值走勢(shì)與樣本外數(shù)據(jù)走勢(shì)的比較逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 劉曉惠;;我國(guó)滬深300收益的波動(dòng)性分析——基于ARCH模型[J];經(jīng)營(yíng)管理者;2014年12期

2 郭慶春;何振芳;;基于人工神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)模型[J];計(jì)算技術(shù)與自動(dòng)化;2014年01期

3 武倩雯;;上證指數(shù)收益率波動(dòng)的實(shí)證分析——基于ARCH族模型[J];重慶工商大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年07期

4 李丹;鄭偉;張偉偉;徐天群;;基于ARMA-GARCH的股指期貨實(shí)證分析[J];武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版);2014年05期

本文編號(hào)：2786101