【摘要】：股票價格看起來具有很強的不確定性,但是國家政策、行業(yè)信息以及公司財務指標等情況都會影響到股票市場的趨勢。根據(jù)這一特征,如果投資者能夠了解到這些情況是如何影響股價變動的,就能夠減少因股價不確定性的大波動導致的投資帶來的損失,甚至是獲得意想不到的收益效果。對于政府來說,進行股價去世的預測也是政府進行宏觀經(jīng)濟調(diào)控,預防突發(fā)狀況的方面之一。因此如果能夠?qū)墒羞M行事先的分析預測,無論對投資者、企業(yè)、投資機構(gòu)還是政府相關政策的制定都具有重大的現(xiàn)實意義。隨著金融大數(shù)據(jù)時代的到來,金融量化分析在我國未來金融市場中的應用將發(fā)揮越來越重要的作用。本文基于滬深300股票價格指數(shù),使用隱馬爾可夫模型以及支持向量機模型進行建模。本文實證過程主要包括選取合適時間段的股票相關數(shù)據(jù)、最優(yōu)預測因子組合確定、對模型參數(shù)訓練以及對測試集回歸預測等步驟。本文一開始引用多日加權(quán)的隱馬爾可夫模型對滬深300指數(shù)價格進行預測,通過實驗結(jié)果對比分析,確定使用10日加權(quán)隱馬爾可夫預測模型進行接下來的研究。接下來使用10日加權(quán)隱馬爾可夫預測模型在120個預測因子的組合中進行預測,根據(jù)預測的效果選擇不同梯度的預測因子組合。然后在不同梯度的預測因子下,運用支持向量回歸模型預測股價。我們選擇高斯核作為支持向量機的核函數(shù),因此在進行預測之前我們要先確定高斯核函數(shù)的參數(shù)g以及支持向量機的懲罰參數(shù)C,參數(shù)的確定方法本文選擇交叉驗證的方法,讓C和g在一定的范圍里跑(比如C= 2-5,2-4,...,25,g=2-5,2-4,...,25),然后選擇預測準確率最高的但C最小的那組C和g作為最優(yōu)參數(shù)。確定好最優(yōu)參數(shù)后使用滾動預測的方法進行股價預測,即若預測第t日收盤價,則以第t-30(40、60)日至第t-1日的日交易數(shù)據(jù)為訓練集,以第t-29(39、59)日至第t日的日交易數(shù)據(jù)為測試集,這樣反復滾動預測。之后我們再利用均方誤差(MSE)和平方相關系數(shù)(DS)評價預測結(jié)果。從結(jié)果中我們可以發(fā)現(xiàn)在對不同天數(shù)進行預測時,40天往往是最優(yōu)預測天數(shù),而且HMM模型得出的最優(yōu)預測因子的組合(成交量,MA10,MA60)在支持向量回歸模型中也有非常良好的表現(xiàn),它們的表現(xiàn)甚至超過了以開盤價、最高價、最低價為特征向量的預測結(jié)果。本文所得的實證結(jié)果均是在特定條件、特定對象以及特定時間下得到的,因此對于模型的適用性本文尚未做分析。在具體進行投資分析時,還是應該具體情況具體分析,以保證預測的準確性。
【圖文】：

邐ＳＯ逡逑圖２－１單日預測值與實際值對比逡逑從圖２－１可以看出，單日預測方法使預測值在大體趨勢上能夠較好地擬合實逡逑際值，但也可以看出，在某些具體日期的預測上，實際值與預測值的差距還是較逡逑大的。這很可能是因為單日預測很容易受到一些隨機因素的影響。沒有更有效地逡逑控制隨機性的影響。因此需要更為精確的方法降低隨機性的影響，因此接下來使逡逑用多日加權(quán)平均的預測方法。逡逑五彳日預r>對比逡逑３５００邋邐■邐，邐１邐！邐＇邐逡逑邐逡逑■邐Ｉ邋二：之丨－逡逑：穆r>％逡逑３０００－邐ｆ邐１彳博逡逑２９００邋－邐！邐－逡逑Ｉ逡逑２＿１邐？邐１邐ｊ邐邐邐１邐逡逑０邐１０邐２０邐３０邐４０邐５０邐５０逡逑圖２－２邋５日與１０日預測值與實際值對比逡逑從上圖可以看出５日預測與１０日預測相較于單日預測，，預測準確度有所提逡逑２３逡逑

邐４０邐ＳＯ逡逑圖２－１單日預測值與實際值對比逡逑從圖２－１可以看出，單日預測方法使預測值在大體趨勢上能夠較好地擬合實逡逑際值，但也可以看出，在某些具體日期的預測上，實際值與預測值的差距還是較逡逑大的。這很可能是因為單日預測很容易受到一些隨機因素的影響。沒有更有效地逡逑控制隨機性的影響。因此需要更為精確的方法降低隨機性的影響，因此接下來使逡逑用多日加權(quán)平均的預測方法。逡逑五彳日預r>對比逡逑３５００邋邐■邐，邐１邐！邐＇邐逡逑邐逡逑■邐Ｉ邋二：之丨－逡逑：穆r>％逡逑３０００－邐ｆ邐１彳博逡逑２９００邋－邐！邐－逡逑Ｉ逡逑２＿１邐？邐１邐ｊ邐邐邐１邐逡逑０邐１０邐２０邐３０邐４０邐５０邐５０逡逑圖２－２邋５日與１０日預測值與實際值對比逡逑從上圖可以看出５日預測與１０日預測相較于單日預測，預測準確度有所提逡逑２３逡逑
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：F832.51

【相似文獻】

相關期刊論文 前10條

1 劉潔彬;宋茂強;趙方;楊志宇;;基于上下文的二階隱馬爾可夫模型[J];計算機工程;2010年10期

2 盧微;;隱馬爾可夫模型在自然語言理解研究中的應用[J];電腦與信息技術;2007年01期

3 張慧麗;;基于混合二階隱馬爾可夫模型的基因結(jié)構(gòu)預測[J];電腦知識與技術(學術交流);2007年14期

4 陳茂林,戚飛虎;自組織隱馬爾可夫模型的人臉檢測研究[J];計算機學報;2002年11期

5 王鎖萍;徐思均;鄭元成;;應用矢量量化技術與隱馬爾可夫模型進行話者辨認[J];南京郵電學院學報;1987年04期

6 王曠羽;;基于隱馬爾可夫模型在股票擇時上的應用與研究[J];電腦編程技巧與維護;2018年04期

7 孫浩天;關欣;咸靜;李鏘;;基于隱馬爾可夫模型的單音及和弦鋼琴指法自動標注（英文）[J];復旦學報(自然科學版);2018年03期

8 黃崗;;馬爾可夫及隱馬爾可夫模型的應用[J];電子設計工程;2013年17期

9 李勝現(xiàn);田東平;劉建華;;基于改進隱馬爾可夫模型的網(wǎng)絡動態(tài)風險評估[J];現(xiàn)代電子技術;2011年03期

10 杜旭;凌捷;羅雄昌;;基于隱馬爾可夫模型的網(wǎng)絡入侵檢測方法[J];計算機應用與軟件;2008年03期

相關會議論文 前10條

1 史笑興;王太君;何振亞;;論二階隱馬爾可夫模型與一階隱馬爾可夫模型的關系[A];第九屆全國信號處理學術年會（CCSP-99）論文集[C];1999年

2 吳志強;陳珂;遲惠生;;基于隱馬爾可夫模型的有限詞匯集內(nèi)與文本無關的說話人辨認的研究[A];第四屆全國人機語音通訊學術會議（NCMMSC1996）論文集[C];1996年

3 李玉猹;;半隱馬爾可夫模型[A];科技、工程與經(jīng)濟社會協(xié)調(diào)發(fā)展——中國科協(xié)第五屆青年學術年會論文集[C];2004年

4 徐毅瓊;李弼程;王波;;隱馬爾可夫模型在人臉檢測與識別中的應用[A];現(xiàn)代通信理論與信號處理進展——2003年通信理論與信號處理年會論文集[C];2003年

5 吳成東;柴佩琪;;基于分類的隱馬爾可夫模型的聲母識別[A];第一屆全國人機語音通訊學術會議（NCMMSC1990）論文集[C];1990年

6 趙立宏;鄧騫;;基于隱馬爾可夫模型的核設施故障診斷[A];中國核科學技術進展報告（第二卷）——中國核學會2011年學術年會論文集第9冊（核醫(yī)學分卷、核技術工業(yè)應用分卷）[C];2011年

7 邢穎;南敬昌;;基于隱馬爾可夫模型的人臉檢測與識別系統(tǒng)[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

8 俞鴻魁;張華平;劉群;呂學強;施水才;;基于層疊隱馬爾可夫模型的中文命名實體識別[A];全國網(wǎng)絡與信息安全技術研討會'2005論文集（下冊）[C];2005年

9 樸元斯;袁運能;;基于小波域隱馬爾可夫模型的無監(jiān)督遙感圖像分割[A];全國第十屆信號與信息處理、第四屆DSP應用技術聯(lián)合學術會議論文集[C];2006年

10 徐東風;周萍;景新幸;;改進隱馬爾可夫模型的非線性分段技術應用[A];中國聲學學會2007年青年學術會議論文集（下）[C];2007年

相關博士學位論文 前10條

1 李杰;隱馬爾可夫模型的研究及其在圖像識別中的應用[D];清華大學;2004年

2 葛愿;基于隱馬爾可夫模型的網(wǎng)絡化控制系統(tǒng)建模與控制[D];中國科學技術大學;2011年

3 夏麗莎;基于隱馬爾可夫模型的故障診斷及相關算法研究[D];華中科技大學;2014年

4 王金芳;隱馬爾可夫模型平滑估計理論及其在壓制地震資料隨機噪聲中的應用[D];吉林大學;2009年

5 楊辰雨;語音合成音庫自動標注方法研究[D];中國科學技術大學;2014年

6 田勇;多分辨率隱馬爾可夫模型圖像去噪研究[D];蘭州大學;2009年

7 薛繼國;基于眼動和腦電的心理旋轉(zhuǎn)認知機制研究[D];中國人民解放軍軍事醫(yī)學科學院;2017年

8 蔡明琦;融合發(fā)音機理的統(tǒng)計參數(shù)語音合成方法研究[D];中國科學技術大學;2015年

9 盛志冬;衛(wèi)星太陽能電池陣的效能及可靠性分析與評估[D];中國科學技術大學;2017年

10 呂俊杰;采用智能方法的可變剪接調(diào)控機制與相關疾病研究[D];哈爾濱工程大學;2012年

相關碩士學位論文 前10條

1 張璇;基于隱馬爾可夫模型與支持向量機的股票價格預測實證研究[D];山東大學;2019年

2 李文陽;基于Kinect v2的跌倒行為檢測與分析[D];北方民族大學;2019年

3 張晴;基于隱馬爾可夫模型的網(wǎng)絡安全態(tài)勢預測方法研究[D];河北師范大學;2019年

4 王飛;改進初值Π隱馬爾可夫模型預測電池剩余壽命研究[D];哈爾濱理工大學;2018年

5 韓立濤;考慮云遮擋的光伏超短期功率預測研究[D];華北電力大學(北京);2018年

6 徐林會;基于隱馬爾可夫模型與語義融合的文本分類研究[D];遼寧工程技術大學;2017年

7 耿仕勛;基于隱馬爾可夫模型的復合式攻擊預測方法研究[D];河北師范大學;2018年

8 鐘將;基于連續(xù)隱馬爾可夫模型的故障預測算法研究[D];北方工業(yè)大學;2018年

9 蔡斯凡;基于隱馬爾可夫模型的自動化伴奏系統(tǒng)[D];貴州師范大學;2018年

10 龍?zhí)?基于隱馬爾可夫模型的視頻事件檢測方法研究[D];華中科技大學;2016年

本文編號：2633828