【摘要】：股票市場是市場經(jīng)濟(jì)的產(chǎn)出物,自其誕生以來就受投資者的特別關(guān)注。然而股票市場紛繁復(fù)雜,它受多種因素影響,例如:經(jīng)濟(jì)周期、金融政策、政治形態(tài)、公司自身狀況和投資者的心理狀態(tài)等,而且股市中的數(shù)據(jù)量非常大,這就使得想要通過傳統(tǒng)方法對股票市場的趨勢進(jìn)行準(zhǔn)確分析變得非常困難�；谶@些問題,本文提出基于集成學(xué)習(xí)的方法對股票買賣點進(jìn)行預(yù)測,主要的研究內(nèi)容如下:(1)為了解決股票漲跌趨勢特征點篩選不正確導(dǎo)致預(yù)測準(zhǔn)確率低的問題,本文提出了一種基于滑動狀態(tài)窗和漲跌趨勢形態(tài)的篩選方法。首先,將個股的收盤價變化作為趨勢狀態(tài)變化的依據(jù),利用個股相鄰三天的收盤價大小,篩選出所有處于趨勢轉(zhuǎn)折處的點作為買賣點,其次,再結(jié)合滑動狀態(tài)窗技術(shù)根據(jù)時長和收益率對初步得到的買賣點進(jìn)行二次篩選,最終得到股票漲跌趨勢的最佳買賣點。(2)用多技術(shù)指標(biāo)表示股票漲跌趨勢時,多個特征之間會存在特征冗余,因此采用特征相關(guān)性方法對多類技術(shù)指標(biāo)進(jìn)行選擇,按照股票特征的相關(guān)性對各個特征組合進(jìn)行評分,根據(jù)買賣點特征組合后預(yù)測結(jié)果的準(zhǔn)確率高低,對股票多類技術(shù)指標(biāo)進(jìn)行篩選。其實驗結(jié)果證明,使用該方法后股票買賣點預(yù)測的準(zhǔn)確率有了一定的提高。(3)根據(jù)股票買賣點數(shù)據(jù)的特征,本文提出基于BP-Ada Boost算法的股票最佳買賣點預(yù)測方法,用于對股票時間序列數(shù)據(jù)的買賣點進(jìn)行預(yù)測。實驗結(jié)果顯示,采用BP-Ada Boost算法對股票買賣點預(yù)測準(zhǔn)確度更高,更適用于股票趨勢時間序列的預(yù)測。本文在股票交易市場中應(yīng)用滑動狀態(tài)窗和形態(tài)特征對個股的趨勢關(guān)鍵點進(jìn)行篩選,然后選擇合適的技術(shù)指標(biāo)對買賣點進(jìn)行特征表示,最后采用分類算法對個股的漲跌趨勢進(jìn)行分類,判斷當(dāng)前是否為買賣點。本文提出的方法提高了個股趨勢預(yù)測的準(zhǔn)確率,可以為投資者提供買賣決策指導(dǎo),在股票市場中具有一定的經(jīng)濟(jì)實用價值。
【圖文】：

西北大學(xué)碩士專業(yè)學(xué)位論文現(xiàn)下跌現(xiàn)象，而且下跌到第一波的 0.382、0.5、0618 這幾個黃金分割點時，此時是比較好的買入點。6．個股經(jīng)歷持續(xù)的下跌或者回調(diào)后，這之后出現(xiàn)反彈或者反轉(zhuǎn)的第一根陽線便是漲停板，或者是出現(xiàn)高于 9%的大陽線時，未來的行情會有高于 10%的上漲空間此時在第一次出現(xiàn)陽線的附近就是絕好的買入時機(jī)。7．個股在平均背壓股市下快速下跌，隨著下跌愈來愈接近最低點，個股呈現(xiàn)向上拉升的態(tài)勢，伴隨著個股下跌幅度愈來愈小，一根縮量陽線出現(xiàn)在越跌越被放大的成交量上，并且這條縮量陽線蓋過了最后一條，，當(dāng)這條縮量陽線是成交量最大時的陰線實體時，縮量陽線的最高點附近就是買入的絕佳時機(jī)。下面的圖 1 顯示了最佳買入點的一種情況，其中箭頭所指的點是最佳買入點。

其中箭頭所指的點是最佳賣出點。圖 2 最佳賣出點示意圖2.3 股票最佳買賣點篩選意義股票趨勢預(yù)測的關(guān)鍵是買賣點的篩選，準(zhǔn)確的買賣點確定，可以為投資者提供買賣決策，進(jìn)而獲得最大化的收益，本節(jié)對股票最佳買賣點篩選的意義進(jìn)行討論。采用機(jī)器學(xué)習(xí)中的模式識別方法對股票趨勢進(jìn)行預(yù)測，主要的目標(biāo)就是獲得正確的買賣點集合，其中買入點后的一段時間股票往往會出現(xiàn)上漲趨勢，賣出點后的一段
【學(xué)位授予單位】：西北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：F832.51

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 廖洪一;王欣;;基于極限學(xué)習(xí)機(jī)的股票價格預(yù)測[J];計算機(jī)與現(xiàn)代化;2014年12期

2 王泳;;股票投資短期預(yù)測的多模匹配識別算法[J];計算機(jī)應(yīng)用;2014年S2期

3 陸玉;張華;;基于改進(jìn)極限學(xué)習(xí)機(jī)算法的股票價格在線預(yù)測[J];計算機(jī)工程與應(yīng)用;2014年20期

4 李棟;張文宇;;基于ELM和FOA的股票價格預(yù)測[J];計算機(jī)工程與應(yīng)用;2014年18期

5 HAN LianFu;TANG WenYan;LIU YongMeng;WANG Jun;FU ChangFeng;;Evaluation of measurement uncertainty based on grey system theory for small samples from an unknown distribution[J];Science China(Technological Sciences);2013年06期

6 黎祚;周步祥;林楠;;基于模糊聚類與改進(jìn)BP算法的日負(fù)荷特性曲線分類與短期負(fù)荷預(yù)測[J];電力系統(tǒng)保護(hù)與控制;2012年03期

7 周生強(qiáng);;股票形態(tài)分析[J];中國證券期貨;2011年04期

8 張丹;韓勝菊;李建;聶尚宇;;基于改進(jìn)粒子群算法的BP算法的研究[J];計算機(jī)仿真;2011年02期

9 王利;周美嬌;張鳳登;念蓓;曹曉璇;;基于最近鄰法的股市趨勢的模式識別分類研究[J];微計算機(jī)信息;2010年31期

10 趙永亮;張記偉;;上證指數(shù):移動平均線有效性的技術(shù)交易規(guī)則檢驗[J];中國證券期貨;2010年09期

相關(guān)碩士學(xué)位論文 前10條

1 郝知遠(yuǎn);基于數(shù)據(jù)挖掘方法的股票預(yù)測系統(tǒng)[D];南京理工大學(xué);2017年

2 趙丹丹;基于極限學(xué)習(xí)機(jī)的實物期權(quán)定價模型研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2016年

3 何岸青;基于多項式擬合與支持向量機(jī)的股票關(guān)鍵拐點預(yù)測[D];吉林大學(xué);2016年

4 李濤;基于模糊層次分析法和灰色關(guān)聯(lián)分析方法的變電站選址研究[D];鄭州大學(xué);2014年

5 陳志雄;證券走勢指標(biāo)匹配分析系統(tǒng)的設(shè)計與實現(xiàn)[D];西安電子科技大學(xué);2013年

6 冉芳;基于灰色關(guān)聯(lián)的BP神經(jīng)網(wǎng)絡(luò)的滬深300指數(shù)預(yù)測研究[D];重慶師范大學(xué);2013年

7 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

8 方智;基于多技術(shù)指標(biāo)模型的滬深300指數(shù)走勢預(yù)測[D];江西財經(jīng)大學(xué);2012年

9 周全;幾種多元統(tǒng)計分析方法及其在生活中的應(yīng)用[D];長江大學(xué);2012年

10 程一倫;基于粗糙集的數(shù)據(jù)離散化方法研究[D];吉林大學(xué);2009年

本文編號：2629335