【摘要】：股票價格的預(yù)測一直以來是研究的熱點(diǎn)和難點(diǎn)。與國外相比,中國股市的變化更為復(fù)雜和劇烈。本文提出了一種新的組合模型BHMM(基于貝葉斯推斷的HMM)進(jìn)行預(yù)測,與傳統(tǒng)的HMM相比,BHMM可以提供更為穩(wěn)健的價格預(yù)測并使得HMM的模式預(yù)測更加有效。BHMM從三方面進(jìn)行了改進(jìn)。首先,BHMM通過貝葉斯推斷對序列進(jìn)行變長的劃分。傳統(tǒng)的HMM使用固定長度的訓(xùn)練窗口滑動建模,可能存在較多噪聲數(shù)據(jù);BHMM進(jìn)行推斷分割處理后,HMM僅對分割概率大于閾值的數(shù)據(jù)建模,減少了噪聲。其次,BHMM采用了混合趨勢預(yù)測法。BHMM在訓(xùn)練數(shù)據(jù)上使用多個定長窗口進(jìn)行滑動,獲取最佳擬合模型對應(yīng)的下一個值的均值作為趨勢預(yù)測值。通過多個窗口的趨勢預(yù)測值和混合投票預(yù)測,獲得了更好的覆蓋率和準(zhǔn)確率。最后,使用貝葉斯點(diǎn)估計(jì)和損失函數(shù)改進(jìn)了HMM的股票價格預(yù)測。過去一般使用最匹配模式下一個值的變化作為預(yù)測值,誤差率較大。BHMM以當(dāng)前序列的均值和方差作為正態(tài)先驗(yàn)分布的均值和方差,HMM的概率密度函數(shù)作為似然函數(shù),計(jì)算預(yù)測值的后驗(yàn)分布,并使用損失函數(shù)修正預(yù)測結(jié)果。與ARMA,LSTM以及傳統(tǒng)的HMM的結(jié)果相比,BHMM更加穩(wěn)定且具有更小的預(yù)測誤差和更高的預(yù)測準(zhǔn)確率。通過對上證指數(shù)等十支指數(shù)進(jìn)行實(shí)驗(yàn),獲得了平均53.5%的準(zhǔn)確率和16.4%的收益率,證明了BHMM的穩(wěn)定性和有效性。
【圖文】：

圖 2-1 ARMA 階數(shù)搜索Fig.2-1 Order search of ARMA定階方法需要對可能的階數(shù)組合進(jìn)行窮舉，當(dāng)階問題，，因此如果研究對象具有明顯的長周期因素觀察驗(yàn)證。一般情況下，用較低的階數(shù)建模是合網(wǎng)絡(luò)十年中，出現(xiàn)了兩類影響力非常大的機(jī)器學(xué)習(xí)方概率圖模型。其中神經(jīng)網(wǎng)絡(luò)模仿人類神經(jīng)的結(jié)構(gòu)類復(fù)雜的問題，尤其是非線性問題；而概率圖模過概率來描述問題的不確定性，通過圖結(jié)構(gòu)來表是股價預(yù)測問題，故僅討論這兩大類模型中相關(guān)

圖 2-2 RNN 單元結(jié)構(gòu)Fig.2-2 Cell structure of RNNRNN 整體結(jié)構(gòu)如圖 2-3 所示，其結(jié)構(gòu)非常簡單，易于理解，但是在處理長期的問題上結(jié)果不理想。圖 2-3 RNN 整體結(jié)構(gòu)Fig.2-3 Overall structure of RNNLSTM 是 RNN 的一種改進(jìn)結(jié)構(gòu)，可以更有地效學(xué)習(xí)長期依賴信息。LST結(jié)構(gòu)如圖 2-4 所示，每個單元結(jié)構(gòu)較為復(fù)雜，并且增加了乘法、加法操作和數(shù)。
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：F830.91;O211.61

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 汪金菊;吳燕飛;王楊;;基于HMM的VaR風(fēng)險度量及其實(shí)證分析[J];合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2013年05期

2 胡淑蘭;魏捷;黃晟;;基于HMM的中國股市狀態(tài)轉(zhuǎn)換及預(yù)測[J];統(tǒng)計(jì)與決策;2011年22期

3 余文利;廖建平;馬文龍;;一種新的基于隱馬爾可夫模型的股票價格時間序列預(yù)測方法[J];計(jì)算機(jī)應(yīng)用與軟件;2010年06期

4 朱嘉瑜;葉海燕;高鷹;;基于隱馬爾可夫模型的股票價格預(yù)測組合模型[J];計(jì)算機(jī)工程與設(shè)計(jì);2009年21期

相關(guān)博士學(xué)位論文 前3條

1 李嵩松;基于隱馬爾可夫模型和計(jì)算智能的股票價格時間序列預(yù)測[D];哈爾濱工業(yè)大學(xué);2011年

2 段江嬌;基于模型的時間序列數(shù)據(jù)挖掘[D];復(fù)旦大學(xué);2008年

3 杜修平;基于數(shù)據(jù)挖掘的證券態(tài)勢估計(jì)系統(tǒng)[D];天津大學(xué);2006年

相關(guān)碩士學(xué)位論文 前3條

1 黃冉;基于隱馬爾科夫模型（HMM）的股票價格預(yù)測分析[D];青島大學(xué);2015年

2 龔健;基于隱馬爾可夫鏈的證券價格模型及實(shí)證分析[D];復(fù)旦大學(xué);2011年

3 商曄;隱馬爾可夫模型參數(shù)訓(xùn)練的改進(jìn)及在股市預(yù)測中的應(yīng)用[D];上海交通大學(xué);2011年

本文編號：2652398