股票市場建立以來,能否通過歷史數(shù)據(jù)預測股票走勢,并取得超額收益一直是投資者關心的核心問題。自Eugene Fama率先引入有效市場假說（Efficient Markets Hypothesis,EMH）以后,許多學者便開始對股票市場是否有效展開探究。如果股票市場是弱有效的,那么將歷史數(shù)據(jù)輸入預測模型,期望超越大盤,這種行為便是徒勞的。相關研究指出,股票市場本身是非線性混沌系統(tǒng),在長期內無法預測,而進行短期預測則存在可行性。而傳統(tǒng)的金融時間序列模型多基于平穩(wěn)性、正態(tài)分布等統(tǒng)計學假設,構造線性計量方程,如ARIMA、GARCH等,但是由于股票市場的復雜性和多變性,這些假設往往跟實際不符,預測效果自然較差。隨著數(shù)學、計算機等相關領域的發(fā)展,人們開始將人工智能算法引入股市預測,支持向量機算法便是其中非常典型的算法。支持向量機算法在處理非平穩(wěn)、非線性等問題上具有較突出的優(yōu)勢,在股價預測方面效果良好。但是股票價格往往受到各種信息的干擾,含有較多的“噪聲”,支持向量機算法無法排除這些噪聲的干擾。而小波分析的引入,則能解決這個問題。小波分析同樣是人工智能領域的常用算法,它能夠將股價分解成若干細節(jié)信號和... 

【文章來源】：華中科技大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：95 頁

【學位級別】：碩士

【部分圖文】：

經(jīng)驗風險和置信范圍

圖2-2支持向量分類支持向量到超平面的距離為,不同類別的支持向量到超平面的距離之和為

映射關系示意圖

【參考文獻】：
期刊論文
[1]基于文本挖掘和機器學習的股指預測與決策研究[J]. 戴德寶,蘭玉森,范體軍,趙敏.  中國軟科學. 2019(04)
[2]基于離散小波分解和支持向量機的股指組合預測[J]. 嚴駿宏.  統(tǒng)計與決策. 2017(03)
[3]基于PCA-FOA-SVR的股票價格預測研究[J]. 王衛(wèi)紅,卓鵬宇.  浙江工業(yè)大學學報. 2016(04)
[4]基于SVM修正的模糊時間序列模型在滬指預測中的應用[J]. 李小琳,孫玥,劉洋.  中國科學技術大學學報. 2016(03)
[5]我國外匯市場與股票市場間波動溢出效應實證研究——基于小波多分辨的多元BEKK-GARCH（1,1）模型分析[J]. 熊正德,文慧,熊一鵬.  中國管理科學. 2015(04)
[6]基于小波領袖多重分形分析法的股市有效性及風險檢測[J]. 張林,李榮鈞,劉小龍.  中國管理科學. 2014(06)
[7]組合預測模型在股指短期預測中的應用——以上證綜合指數(shù)為例的實證分析[J]. 劉佳明,劉海濱.  中國商貿(mào). 2014(05)
[8]基于小波變換的風險傳染測度研究[J]. 梁經(jīng)緯,劉金蘭,柳洲.  統(tǒng)計與決策. 2013(08)
[9]ARIMA對我國上證指數(shù)的預測研究[J]. 劉云.  現(xiàn)代商貿(mào)工業(yè). 2012(16)
[10]基于支持向量機的滬深300指數(shù)預測研究[J]. 葉園,何穗.  湖北師范學院學報(自然科學版). 2009(03)

碩士論文
[1]基于數(shù)據(jù)挖掘方法的股票預測系統(tǒng)[D]. 郝知遠.南京理工大學 2017
[2]基于支持向量機的股價預測研究[D]. 朱磊.重慶工商大學 2016
[3]基于小波變換—機器學習算法的有效投資組合構建[D]. 劉俊鋒.西南財經(jīng)大學 2016
[4]奇異值分解熵對股票指數(shù)的預測力研究[D]. 曾莼.南京財經(jīng)大學 2016
[5]基于支持向量機的股市預測[D]. 李悅.復旦大學 2014
[6]基于小波分析的非線性套期保值模型研究[D]. 張帥斌.西南財經(jīng)大學 2013
[7]基于SVMAdaBoost模型的股票漲跌實證研究[D]. 詹財鑫.華南理工大學 2013
[8]基于小波分析和ARMA-SVM模型的股票指數(shù)預測分析[D]. 丁玲娟.華東師范大學 2012
[9]基于小波分析和神經(jīng)網(wǎng)絡的金融時間序列預測研究[D]. 鄭紀安.廈門大學 2009
[10]基于小波變換的圖像去噪算法與實現(xiàn)[D]. 袁紅梅.上海交通大學 2008



本文編號：3081834