股票擇時(shí)對(duì)于金融市場(chǎng)投資者來(lái)說(shuō)非常的重要,是成功的關(guān)鍵,是各專(zhuān)家學(xué)者的重點(diǎn)研究對(duì)象。對(duì)于一只好的股票,如果沒(méi)有準(zhǔn)確的把握擇時(shí)時(shí)機(jī),也會(huì)面臨著投資風(fēng)險(xiǎn)。股票擇時(shí)是非常復(fù)雜的,因?yàn)殡m然價(jià)格走勢(shì)并不是完全隨機(jī)的,但是它會(huì)受多種因素影響,因此常常無(wú)法準(zhǔn)確判斷。傳統(tǒng)的投資方法只能從一些基本面信息以及KDL、均線等簡(jiǎn)單的技術(shù)指標(biāo)進(jìn)行分析,準(zhǔn)確率相對(duì)較低。因此在西方比較流行的投資方法是量化投資。量化投資是將金融投資和數(shù)學(xué)模型相結(jié)合,對(duì)大數(shù)據(jù)進(jìn)行信息挖掘,然后利用計(jì)算機(jī)進(jìn)行自動(dòng)化交易的投資方法。它使得交易更加的系統(tǒng)、準(zhǔn)確、高效,更具有客觀性,可以提高投資決策的效率和準(zhǔn)確性。其中神經(jīng)網(wǎng)絡(luò)模型具有較強(qiáng)的非線性逼近功能,對(duì)于處理非線性的、復(fù)雜的股票市場(chǎng)具有很大的優(yōu)越性。因此本文首先闡述了神經(jīng)網(wǎng)絡(luò)模型的相關(guān)理論,然后建立了神經(jīng)網(wǎng)絡(luò)擇時(shí)的實(shí)證分析模型,具體內(nèi)容如下。文章將上證綜合指數(shù)作為研究的對(duì)象,選取了其16個(gè)常用的股票指標(biāo)的日數(shù)據(jù),時(shí)間區(qū)間為2015年1月5日至2018年9月7日,共900組數(shù)據(jù)。通過(guò)對(duì)原始數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)模型,預(yù)測(cè)上證綜合指數(shù)日收盤(pán)價(jià)走勢(shì)。為了數(shù)據(jù)使用的簡(jiǎn)便性和模型分析更加的準(zhǔn)確,首先... 

【文章來(lái)源】：沈陽(yáng)工業(yè)大學(xué)遼寧省

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

人工神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

圖 2.2 BP 神經(jīng)網(wǎng)絡(luò)模型原理Fig. 2.2 Principle of BPANNs model.2 的正向數(shù)據(jù)傳輸中，輸入變量從輸入層進(jìn)入神經(jīng)元，通過(guò)權(quán)算、激活函數(shù)的轉(zhuǎn)換后，將變量?jī)?chǔ)存在隱藏層中；隱藏層的神

圖 4.1 模型均方誤差Fig. 4.1 Mean square error of model圖4.1 是模型的均方誤差曲線圖，由圖可知，模型的均方誤差值為 0.0000943，數(shù)值比較小，說(shuō)明模型的準(zhǔn)確度較高。圖中的三條曲線分別代表訓(xùn)練集、測(cè)試集和驗(yàn)證集的均方誤差曲線，三條曲線都是呈下降趨勢(shì)且逐漸趨于平穩(wěn)，說(shuō)明模型

【參考文獻(xiàn)】：
期刊論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的公共建筑用電能耗預(yù)測(cè)研究[J]. 李嘉玲,蔣艷.  軟件導(dǎo)刊. 2019(07)
[2]基于支持向量機(jī)與BP神經(jīng)網(wǎng)絡(luò)的稅收收入預(yù)測(cè)模型[J]. 劉蘭苓,孫德山,張文政.  江蘇商論. 2019(02)
[3]時(shí)間序列ARIMA與BP神經(jīng)網(wǎng)絡(luò)組合模型在CPI預(yù)測(cè)中的應(yīng)用[J]. 孟毅.  山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(06)
[4]基于ARIMA模型和BP人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)品質(zhì)量預(yù)測(cè)[J]. 曹學(xué)晨,張順堂.  價(jià)值工程. 2018(35)
[5]基于多因子模型的量化選股分析[J]. 徐景昭.  金融理論探索. 2017(03)
[6]主成分分析法分析我國(guó)玉米期貨價(jià)格影響因素[J]. 王琴英,張燕萍.  發(fā)展改革理論與實(shí)踐. 2017(01)
[7]大豆期貨價(jià)格預(yù)測(cè)實(shí)證研究[J]. 滕永平,周婷婷.  沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版). 2017(04)
[8]馬爾科夫預(yù)測(cè)法在股票價(jià)格預(yù)測(cè)中的應(yīng)用[J]. 朱泓嘉.  時(shí)代金融. 2015(36)
[9]A trend based investment decision approach using clustering and heuristic algorithm[J]. WU ChungMin,CHOU ShengChun,LIAW HorngTwu.  Science China（Information Sciences）. 2014(09)
[10]基于神經(jīng)網(wǎng)絡(luò)模型的股票預(yù)測(cè)與研究[J]. 趙長(zhǎng)城,耿釵.  經(jīng)濟(jì)研究導(dǎo)刊. 2014(10)

碩士論文
[1]基于PCA-SVM-GARCH模型的股價(jià)預(yù)測(cè)[D]. 景秋玉.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2018
[2]滬深300股指期貨價(jià)格預(yù)測(cè)研究[D]. 吳迪.沈陽(yáng)工業(yè)大學(xué) 2018
[3]基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)算法的綜合選股實(shí)證研究[D]. 蘭強(qiáng)太.暨南大學(xué) 2017
[4]量化交易中股票擇時(shí)的策略研究[D]. 吳桂雯.天津商業(yè)大學(xué) 2017
[5]量化投資趨勢(shì)策略分析和研究[D]. 蔣樹(shù)國(guó).對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué) 2016
[6]量化分析在我國(guó)A股市場(chǎng)中的應(yīng)用研究[D]. 趙子瑜.安徽財(cái)經(jīng)大學(xué) 2015
[7]動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在量化投資預(yù)測(cè)中的應(yīng)用[D]. 趙晨.復(fù)旦大學(xué) 2014
[8]量化投資交易策略研究[D]. 李子睿.天津大學(xué) 2013
[9]基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 歐陽(yáng)光明.電子科技大學(xué) 2011
[10]神經(jīng)網(wǎng)絡(luò)方法在股市預(yù)測(cè)中的應(yīng)用研究[D]. 劉莉華.電子科技大學(xué) 2005



本文編號(hào)：3127667