【摘要】：股票指數(shù)預(yù)測(cè)是經(jīng)濟(jì)領(lǐng)域中受到普遍關(guān)注的問題。在預(yù)測(cè)股票指數(shù)或經(jīng)濟(jì)問題時(shí),經(jīng)常面臨如下情況:(1)用于預(yù)測(cè)的數(shù)據(jù)常常存在統(tǒng)計(jì)時(shí)間頻率不一致的情況,也就是出現(xiàn)混頻數(shù)據(jù)。例如經(jīng)濟(jì)領(lǐng)域的股價(jià)預(yù)測(cè)問題,既涉及價(jià)格、成交量等高頻率指標(biāo),又要涉及到宏觀經(jīng)濟(jì)數(shù)據(jù)、財(cái)務(wù)數(shù)據(jù)、所處行業(yè)政策等低頻率指標(biāo)。(2)由于各種原因,用于預(yù)測(cè)的數(shù)據(jù)時(shí)常存在缺失的情況。(3)解釋變量和被解釋變量之間存在復(fù)雜的非線性關(guān)系。傳統(tǒng)的預(yù)測(cè)模型要求模型等式兩端是同頻數(shù)據(jù),因而在使用中受到極大的限制�；祛l數(shù)據(jù)處理模型為混頻數(shù)據(jù)的處理提供了新的視角。在混頻數(shù)據(jù)預(yù)測(cè)模型方面,目前已取得大量的研究成果,但仍有提升空間:(1)混頻數(shù)據(jù)都是完整的,基本沒有涉及數(shù)據(jù)中存在缺失值的情況;(2)混頻數(shù)據(jù)系列模型雖然是通用模型,但運(yùn)用范圍還存在一定局限性;(3)解釋變量和被解釋變量之間的復(fù)雜非線性關(guān)系在模型中沒有充分的挖掘出來。因此,本文首次嘗試將混頻數(shù)據(jù)預(yù)測(cè)、處理缺失數(shù)據(jù)的灰色關(guān)聯(lián)分析、先進(jìn)的遺傳算法進(jìn)行集成,解決經(jīng)濟(jì)領(lǐng)域中涉及缺失混頻數(shù)據(jù)的復(fù)雜預(yù)測(cè)問題。本文主要工作是以下三個(gè)方面:第一,構(gòu)建基于混頻數(shù)據(jù)的股票指數(shù)一元組合預(yù)測(cè)模型并運(yùn)用于股票市場(chǎng)指數(shù)預(yù)測(cè)�；祛l數(shù)據(jù)預(yù)測(cè)模型已有的研究成果中,MIDAS系列模型是目前最通用的模型�；綧IDAS模型主要適用于金融市場(chǎng)的波動(dòng)及宏觀經(jīng)濟(jì)狀態(tài)的預(yù)測(cè),非限制U-MIDAS模型雖然在很多實(shí)際問題的預(yù)測(cè)中獲得了很好的效果,但又要求變量頻率差異較小,所以兩類模型在實(shí)際運(yùn)用中均受到了較大的限制。由于很多經(jīng)濟(jì)問題需要使用大量混頻數(shù)據(jù)進(jìn)行預(yù)測(cè),解釋變量和被解釋變量之間的關(guān)系是非常復(fù)雜的,往往是一個(gè)非線性關(guān)系。為了提高混頻數(shù)據(jù)模型的預(yù)測(cè)性能及運(yùn)用范圍,本文將構(gòu)建混頻數(shù)據(jù)的一元組合預(yù)測(cè)模型。當(dāng)兩個(gè)基本模型組合形成新模型后,關(guān)系復(fù)雜程度進(jìn)一步提高。遺傳算法是一種基于生物進(jìn)化過程的搜索算法,通過不斷迭代逐步逼近最優(yōu)解,在求解復(fù)雜度很高的非線性最優(yōu)化問題上具有獨(dú)特的優(yōu)勢(shì)。它的搜索能力不受具體問題的模型限制,能有效進(jìn)行大范圍空間的搜索,因此在處理復(fù)雜的高維、非線性關(guān)系的優(yōu)化問題中具有特別的優(yōu)勢(shì)。和其他的優(yōu)化算法相比,遺傳算法更有可能獲得全局優(yōu)化解。本文將混頻數(shù)據(jù)一元組合預(yù)測(cè)模型和遺傳算法兩者有機(jī)結(jié)合,首先建立基于混頻數(shù)據(jù)的一元組合預(yù)測(cè)模型,同時(shí)給出遺傳算法的參數(shù)設(shè)置以及模型系數(shù)與權(quán)重的搜索方法。最后,將模型運(yùn)用于中國(guó)股票市場(chǎng)預(yù)測(cè)上證綜指、深證成指、創(chuàng)業(yè)板指數(shù),并與對(duì)比模型結(jié)果比較,證明所提模型有效。第二,構(gòu)建基于缺失混頻數(shù)據(jù)的股票指數(shù)一元組合預(yù)測(cè)模型并運(yùn)用于股票市場(chǎng)指數(shù)預(yù)測(cè)。利用有缺失的混頻數(shù)據(jù)直接進(jìn)行預(yù)測(cè)是非常必要的。傳統(tǒng)方法處理缺失值,一般使用加權(quán)均值或概率均值的方式填補(bǔ)。加權(quán)均值法只適用于缺失數(shù)據(jù)值較少的情況,概率均值法容易受到極端數(shù)據(jù)值的影響。同時(shí),在混頻數(shù)據(jù)領(lǐng)域的研究中基本沒有涉及到缺失數(shù)據(jù)的情況。為解決以上問題,本文首先提出基于缺失混頻數(shù)據(jù)的股票指數(shù)一元組合預(yù)測(cè)模型。一方面,我們進(jìn)行預(yù)測(cè)時(shí),會(huì)重點(diǎn)考慮某一個(gè)單一重要因素對(duì)預(yù)測(cè)結(jié)果的影響或者是兩者之間的相互關(guān)系;另一方面,缺失混頻數(shù)據(jù)一元組合預(yù)測(cè)模型,是建立缺失混頻數(shù)據(jù)多元組合預(yù)測(cè)模型的基礎(chǔ),因此我們首先建立該模型�；疑P(guān)聯(lián)分析模型的目標(biāo)就是在空間關(guān)系里面識(shí)別兩組數(shù)據(jù)序列的幾何關(guān)系。該模型可用來量化比較序列和參考序列的相似程度。本文將處理缺失數(shù)據(jù)的灰關(guān)聯(lián)分析模型和混頻數(shù)據(jù)一元組合預(yù)測(cè)模型進(jìn)行集成,并用遺傳算法搜索出全局最優(yōu)解。將該模型運(yùn)用于中國(guó)股票市場(chǎng)上證綜指、深證成指、創(chuàng)業(yè)板指數(shù)的預(yù)測(cè)中,使用包含有缺失值的混頻數(shù)據(jù),預(yù)測(cè)結(jié)果顯示,本文提出的模型具有有效性。第三,構(gòu)建基于缺失混頻數(shù)據(jù)的股票指數(shù)多元組合預(yù)測(cè)模型并運(yùn)用于股票市場(chǎng)指數(shù)預(yù)測(cè)。在股票指數(shù)預(yù)測(cè)問題中,影響預(yù)測(cè)結(jié)果的因素眾多,且各種因素互相影響,因而,一元模型應(yīng)用范圍受限,構(gòu)建多元模型是論文研究重點(diǎn)。以一元模型為基礎(chǔ),構(gòu)建基于缺失混頻數(shù)據(jù)的股票指數(shù)多元組合預(yù)測(cè)模型,需要解決的問題如下:(1)解釋變量維數(shù)增加,待估計(jì)參數(shù)也相應(yīng)大量增加,(2)多個(gè)解釋變量之間存在混頻數(shù)據(jù),維數(shù)增加后,解釋變量之間和解釋變量與被解釋變量之間存在復(fù)雜的非線性關(guān)系。(3)解釋變量增加的情況下,出現(xiàn)多個(gè)缺失值的可能性增大。為解決上述問題,本文提出基于缺失混頻數(shù)據(jù)多元組合預(yù)測(cè)模型。將一元模型擴(kuò)展成多元模型后,將面臨數(shù)據(jù)關(guān)系更加復(fù)雜,待估計(jì)系數(shù)及向量大量增加,計(jì)算復(fù)雜度急劇增高等一系列問題,本文將給出遺傳算法解決上述問題的過程和算法。最后,通過將新模型應(yīng)用于中國(guó)股票市場(chǎng)預(yù)測(cè)上證綜指、深證成指、創(chuàng)業(yè)板指數(shù),并與對(duì)比模型相比較,說明模型的有效性。
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：F832.51

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 葉光;;基于混頻數(shù)據(jù)的一致指數(shù)構(gòu)建與經(jīng)濟(jì)波動(dòng)分析[J];統(tǒng)計(jì)研究;2015年08期

2 尚玉皇;鄭挺國(guó);夏凱;;宏觀因子與利率期限結(jié)構(gòu):基于混頻Nelson-Siegel模型[J];金融研究;2015年06期

3 欒惠德;侯曉霞;;中國(guó)實(shí)時(shí)金融狀況指數(shù)的構(gòu)建[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2015年04期

4 李正輝;鄭玉航;;基于混頻數(shù)據(jù)模型的中國(guó)經(jīng)濟(jì)周期區(qū)制監(jiān)測(cè)研究[J];統(tǒng)計(jì)研究;2015年01期

5 龔玉婷;陳強(qiáng);鄭旭;;基于混頻模型的CPI短期預(yù)測(cè)研究[J];統(tǒng)計(jì)研究;2014年12期

6 鄭挺國(guó);尚玉皇;;基于宏觀基本面的股市波動(dòng)度量與預(yù)測(cè)[J];世界經(jīng)濟(jì);2014年12期

7 韓穎;;基于改進(jìn)差分進(jìn)化算法的RBF神經(jīng)網(wǎng)絡(luò)在股指預(yù)測(cè)中的應(yīng)用[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年11期

8 朱碧穎;朱福喜;劉克剛;粟藩臣;;基于二維可變鄰域編碼方式的混合遺傳算法[J];計(jì)算機(jī)應(yīng)用;2014年09期

9 張晶;姚婷;;基于SV模型的股指期貨杠桿效應(yīng)實(shí)證研究[J];蚌埠學(xué)院學(xué)報(bào);2014年02期

10 姚婷;張晶;沈磊;;基于灰色系統(tǒng)理論的股指預(yù)測(cè)研究[J];河南工程學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年04期

，

本文編號(hào)：2654618