本文關(guān)鍵詞：基于逐步回歸分析的組合神經(jīng)網(wǎng)絡(luò)股指預(yù)測研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：證券市場千變?nèi)f化,但在變化中往往隱藏著內(nèi)在客觀規(guī)律。本文嘗試探求證券價(jià)格波動(dòng)的變化規(guī)律,從而在某種程度上實(shí)現(xiàn)對價(jià)格的預(yù)測。但是對證券價(jià)格的預(yù)測是異常艱巨的,因此這項(xiàng)工作也非常有價(jià)值。在大多數(shù)的預(yù)測模型中,由于宏微觀經(jīng)濟(jì)形勢的不穩(wěn)定與多變性,單個(gè)預(yù)測模型往往與實(shí)際的證券價(jià)格存在較大的誤差。而組合預(yù)測模型在直面這一事實(shí)的基礎(chǔ)上,通過將各種單項(xiàng)模型組合起來,對其有用的信息片段進(jìn)行集成,分散了單項(xiàng)預(yù)測模型自身的不確定性,進(jìn)而改善了預(yù)測效果。本文采用了三種神經(jīng)網(wǎng)絡(luò)模型(RBF、BP和GRNN),從非線性的角度對滬深300指數(shù)進(jìn)行擬合和預(yù)測,然后建立最優(yōu)組合預(yù)測模型來集合這三種單項(xiàng)模型的有用信息,從而實(shí)現(xiàn)對股指走勢的預(yù)測。本文分為三部分:在第一部分,本文詳細(xì)介紹了單項(xiàng)預(yù)測模型和它的應(yīng)用,為后續(xù)章節(jié)奠定基礎(chǔ);第二部分系統(tǒng)介紹了組合預(yù)測的理論及方法,同時(shí)分別對三種神經(jīng)網(wǎng)絡(luò)(RBF、BP、GRNN)單項(xiàng)模型進(jìn)行介紹,并采用RBF、BP、GRNN這三種單項(xiàng)模型建立最優(yōu)組合預(yù)測模型;在第三部分,本文將最優(yōu)組合預(yù)測模型與單項(xiàng)預(yù)測模型的預(yù)測效果進(jìn)行對比分析。本文的主要研究了如下三項(xiàng)內(nèi)容:(1)應(yīng)用逐步回歸分析對模型的輸入數(shù)據(jù)進(jìn)行預(yù)處理,篩選出與股指價(jià)格最相關(guān)的指標(biāo)數(shù)據(jù)作為各個(gè)模型的輸入數(shù)據(jù),并采用RBF模型驗(yàn)證了該種數(shù)據(jù)篩選方法的有效性;(2)以RBF、BP和GRNN模型為基礎(chǔ),利用最小化絕對相對誤差和為目標(biāo)函數(shù),同時(shí)聯(lián)合前幾期單項(xiàng)模型的預(yù)測數(shù)據(jù),建立組合預(yù)測模型,從而對3個(gè)單項(xiàng)模型進(jìn)行賦權(quán)。(3)對組合預(yù)測的變權(quán)重問題進(jìn)行了初步探討。實(shí)證表明:逐步回歸分析確實(shí)能有效實(shí)現(xiàn)對模型輸入數(shù)據(jù)的篩選,選出與股指價(jià)格最相關(guān)的變量作為輸入變量;最優(yōu)組合模型確實(shí)能組合和集成各個(gè)單項(xiàng)模型中的有效信息并加以利用,進(jìn)而改善預(yù)測效果;在短期預(yù)測中,與不變權(quán)重最優(yōu)組合預(yù)測模型相比,變權(quán)重最優(yōu)組合預(yù)測模型的預(yù)測精度并無顯著提高。
【關(guān)鍵詞】：組合預(yù)測 逐步回歸分析 RBF神經(jīng)網(wǎng)絡(luò) BP神經(jīng)網(wǎng)絡(luò) GRNN網(wǎng)絡(luò)
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：F832.51;F224
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-20
• 1.1 研究背景與問題提出9-11
• 1.1.1 研究背景9-10
• 1.1.2 問題提出10-11
• 1.2 研究目的與意義11-12
• 1.2.1 組合神經(jīng)網(wǎng)絡(luò)股指預(yù)測的研究目的11-12
• 1.2.2 組合神經(jīng)網(wǎng)絡(luò)股指預(yù)測的研究意義12
• 1.3 國內(nèi)外研究現(xiàn)狀及其評述12-18
• 1.3.1 神經(jīng)網(wǎng)絡(luò)預(yù)測的國內(nèi)外研究現(xiàn)狀13-16
• 1.3.2 組合預(yù)測方法的國內(nèi)外研究現(xiàn)狀16-17
• 1.3.3 國內(nèi)外研究現(xiàn)狀評述17-18
• 1.4 研究內(nèi)容與研究方法18-20
• 1.4.1 研究內(nèi)容18
• 1.4.2 研究方法18-20
• 第2章 單項(xiàng)預(yù)測模型和組合預(yù)測模型的理論框架20-34
• 2.1 RBF神經(jīng)網(wǎng)絡(luò)分析方法20-23
• 2.1.1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其特點(diǎn)20-22
• 2.1.2 RBF學(xué)習(xí)算法22-23
• 2.2 BP神經(jīng)網(wǎng)絡(luò)分析方法23-26
• 2.2.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其特點(diǎn)23-24
• 2.2.2 BP網(wǎng)絡(luò)學(xué)習(xí)算法24-26
• 2.3 GRNN神經(jīng)網(wǎng)絡(luò)分析方法26-30
• 2.3.1 GRNN網(wǎng)絡(luò)結(jié)構(gòu)及其特點(diǎn)26-28
• 2.3.2 GRNN網(wǎng)絡(luò)基本算法28-29
• 2.3.3 光滑因子的確定方法29-30
• 2.4 組合預(yù)測理論模型及其修正30-33
• 2.4.1 最優(yōu)組合預(yù)測模型的基本原理與特點(diǎn)30-32
• 2.4.2 最優(yōu)組合預(yù)測模型的修正32-33
• 2.5 本章小結(jié)33-34
• 第3章 最優(yōu)組合預(yù)測模型的構(gòu)建及數(shù)據(jù)的預(yù)處理34-41
• 3.1 最優(yōu)組合預(yù)測模型的構(gòu)建34-36
• 3.2 預(yù)測效果評價(jià)指標(biāo)體系的設(shè)計(jì)36-37
• 3.3 數(shù)據(jù)的收集與輸入變量的選取37-40
• 3.3.1 數(shù)據(jù)的收集與說明37-38
• 3.3.2 逐步回歸分析方法說明38
• 3.3.3 輸入變量的選取38-40
• 3.4 本章小結(jié)40-41
• 第4章 股指收盤價(jià)組合預(yù)測的實(shí)證研究41-57
• 4.1 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測實(shí)證研究41-46
• 4.1.1 RBF神經(jīng)網(wǎng)絡(luò)用于股指預(yù)測的基本步驟41-42
• 4.1.2 RBF神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)42-43
• 4.1.3 模型步長的設(shè)計(jì)43-44
• 4.1.4 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果分析44-45
• 4.1.5 逐步回歸分析的有效性驗(yàn)證45-46
• 4.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測實(shí)證研究46-48
• 4.2.1 BP神經(jīng)網(wǎng)絡(luò)股指預(yù)測的模型設(shè)計(jì)46-47
• 4.2.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果分析47-48
• 4.3 GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測實(shí)證研究48-49
• 4.3.1 GRNN神經(jīng)網(wǎng)絡(luò)股指預(yù)測的模型設(shè)計(jì)48-49
• 4.3.2 GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果分析49
• 4.4 組合預(yù)測實(shí)證研究49-56
• 4.4.1 不變權(quán)重組合預(yù)測的步驟49-50
• 4.4.2 不變權(quán)重組合預(yù)測的結(jié)果分析50-53
• 4.4.3 變權(quán)重組合預(yù)測研究53-55
• 4.4.4 穩(wěn)健性檢驗(yàn)55-56
• 4.5 本章小結(jié)56-57
• 結(jié)論57-59
• 參考文獻(xiàn)59-64
• 附錄64-69
• 致謝69

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前9條

1 余健;郭平;;基于AQPSO算法優(yōu)化的RBF網(wǎng)絡(luò)模型及應(yīng)用研究[J];北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年06期

2 李國平;;中國股票市場的可預(yù)測性研究[J];高職論叢;2006年03期

3 唐祥玲;王平;李思岑;白朝元;;基于方差-協(xié)方差組合預(yù)測的中長期電力負(fù)荷預(yù)測研究[J];電氣技術(shù);2015年01期

4 蔡紅;陳榮耀;;基于PCA-BP神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測研究[J];計(jì)算機(jī)仿真;2011年03期

5 俞國紅;楊德志;叢佩麗;;ARIMA和RBF神經(jīng)網(wǎng)絡(luò)相融合的股票價(jià)格預(yù)測研究[J];計(jì)算機(jī)工程與應(yīng)用;2013年18期

6 韓春蕾;高婉君;;我國月度CPI的組合預(yù)測及分析[J];統(tǒng)計(jì)與決策;2014年01期

7 蔣傳進(jìn);;組合預(yù)測中的預(yù)測精度與預(yù)測風(fēng)險(xiǎn)分析[J];統(tǒng)計(jì)與決策;2015年03期

8 孫李紅;沈繼紅;;基于相關(guān)系數(shù)的加權(quán)幾何平均組合預(yù)測模型的性質(zhì)[J];系統(tǒng)工程理論與實(shí)踐;2009年09期

9 王文波;費(fèi)浦生;羿旭明;;基于EMD與神經(jīng)網(wǎng)絡(luò)的中國股票市場預(yù)測[J];系統(tǒng)工程理論與實(shí)踐;2010年06期

  本文關(guān)鍵詞：基于逐步回歸分析的組合神經(jīng)網(wǎng)絡(luò)股指預(yù)測研究，由筆耕文化傳播整理發(fā)布。

本文編號：278832