金融股票市場是一個極其復雜的演化系統(tǒng),準確揭示其內在規(guī)律往往十分困難,但股價波動不僅預示著經濟的發(fā)展情勢,而且牽動著投資者的切身利益。早些年業(yè)界主要嘗試用單一的模型來把握股價波動,比較常用的有ARIMA、GARCH、SVM、神經網絡等,這些方法可以在一定程度上刻畫出股價的起伏規(guī)律,但預測精度和模型性能還有待提高,因此漸漸有學者把關注焦點投向組合方法,以期探索出效果更好的預測模型。本文也嘗試在組合預測方向上做出努力。文章首先對證券市場的可預測性進行了闡述,根據(jù)有效市場假說,市場只有在非效率條件下運用數(shù)量模型預測分析才具有價值,基于此,一些研究工作對我國股市有效性進行了驗證,得出市場未達弱式有效的一致結論。其次介紹了股票價格預測中存在的難題,不確定性、高噪聲干擾、信息雜糅等問題是股價不易精準預測的根源,本文就成份雜糅這一難點,引入小波分析、ARIMA模型、BP神經網絡組合解決。小波分析能夠將股價數(shù)據(jù)投影至各個尺度空間,進而實現(xiàn)各頻率成份信號的有效分離,而ARIMA模型是時序分析中的經典選擇,在線性趨勢預測時具有不可比擬的優(yōu)勢,BP神經網絡具有較強的自學習和非線性擬合能力,應用領域也十分廣泛... 

【文章來源】：江西財經大學江西省

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【部分圖文】：

Mallat算法分解過程圖

Mallat重構過程圖

BP神經網絡基本結構圖

【參考文獻】：
期刊論文
[1]支持向量機對股票價格漲跌的預測[J]. 張建寬,盛炎平.  北京信息科技大學學報(自然科學版). 2017(03)
[2]基于自適應遺傳算法優(yōu)化的BP神經網絡股票價格預測[J]. 郝繼升,任浩然,井文紅.  河南科學. 2017(02)
[3]基于GARCH模型和VAR模型的中國股票市場實證分析——以深圳成分指數(shù)為例[J]. 李行.  時代金融. 2017(02)
[4]基于ARIMA模型的短期股票價格預測[J]. 吳玉霞,溫欣.  統(tǒng)計與決策. 2016(23)
[5]BP神經網絡在股票指數(shù)預測中的應用[J]. 黃宏運,吳禮斌,李詩爭.  通化師范學院學報. 2016(10)
[6]基于近鄰互信息的SVM-GARCH股票價格預測模型研究[J]. 張貴生,張信東.  中國管理科學. 2016(09)
[7]中國股票市場的預判研究——基于上證綜指變動分析[J]. 曹達宇.  質量探索. 2016(06)
[8]小波分析下的神經網絡股票預測研究[J]. 孫冰潔,唐瑞,左毅,黃明和.  計算機與數(shù)字工程. 2016(06)
[9]基于多尺度分析的小麥價格預測研究[J]. 王書平,朱艷云.  中國管理科學. 2016(05)
[10]基于ARMA-GARCH模型的股票價格分析與預測[J]. 楊琦,曹顯兵.  數(shù)學的實踐與認識. 2016(06)

碩士論文
[1]基于數(shù)據(jù)挖掘的指數(shù)化投資組合優(yōu)化的比較研究[D]. 武金存.河北經貿大學 2011



本文編號：3287065