對(duì)股市趨勢(shì)的準(zhǔn)確預(yù)測(cè)是金融市場(chǎng)的圣杯,但是其混沌動(dòng)態(tài)的變化特性一直都在挑戰(zhàn)金融和計(jì)算機(jī)領(lǐng)域的新技術(shù)。近年來(lái),數(shù)據(jù)挖掘算法的新突破為該領(lǐng)域的研究工作注入了許多新方法與新思路。金融時(shí)間序列數(shù)據(jù)作為股票交易市場(chǎng)的外在表現(xiàn)形式,其中蘊(yùn)含著大量的信息,對(duì)其進(jìn)行分析、預(yù)測(cè)是金融研究中的重要工作內(nèi)容。本文將時(shí)間序列分析上的預(yù)測(cè)算法分為兩大類(lèi):第一類(lèi)算法通過(guò)挖掘時(shí)間序列上行為模式來(lái)實(shí)現(xiàn)預(yù)測(cè),如Motif、自組織映射等;第二類(lèi)算法通過(guò)最小化損失函數(shù)的方式來(lái)擬合真實(shí)的數(shù)據(jù)分布,從而獲得真實(shí)輸出的近似結(jié)果,如神經(jīng)網(wǎng)絡(luò)、SVM等。在本文中,以股票價(jià)格時(shí)間序列作為研究對(duì)象,對(duì)兩類(lèi)算法展開(kāi)了探索與嘗試。首先根據(jù)金融時(shí)間序列中所含模式動(dòng)態(tài)變化、難以確定起始點(diǎn)的特點(diǎn),定義了一個(gè)蘊(yùn)含模式信息的代表模式集,并在其基礎(chǔ)上,設(shè)計(jì)和和實(shí)現(xiàn)了從時(shí)間序列中提取代表模式集的基于特征點(diǎn)的代表模式集挖掘算法（Represent Pattern Discovery Based on Feature Point,簡(jiǎn)稱(chēng)為RPD）,和基于部分匹配與彈性匹配思想的趨勢(shì)預(yù)測(cè)算法（Prediction by Partial and Elastic M... 

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 引言
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 時(shí)間序列中模式挖掘方法的研究現(xiàn)狀
        1.2.2 金融時(shí)間序列預(yù)測(cè)的研究現(xiàn)狀
        1.2.3 組合模型的研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容與技術(shù)路線
    1.4 論文結(jié)構(gòu)
第2章 基于模式挖掘的趨勢(shì)預(yù)測(cè)方法
    2.1 相關(guān)技術(shù)介紹
        2.1.1 時(shí)間序列分段線性表示
            2.1.1.1 分段聚集近似算法
            2.1.1.2 滑動(dòng)窗口算法
            2.1.1.3 極值點(diǎn)算法
            2.1.1.4 自頂向下算法
            2.1.1.5 自底向上算法
        2.1.2 時(shí)間序列相似性度量方式
            2.1.2.1 歐式距離
            2.1.2.2 DTW距離
            2.1.2.3 MVM距離
        2.1.3 時(shí)間序列上的聚類(lèi)算法
    2.2 模式挖掘算法
        2.2.1 子序列聚類(lèi)無(wú)意義問(wèn)題與解決方案
        2.2.2 RPD算法
    2.3 基于模式匹配的預(yù)測(cè)算法
    2.4 實(shí)驗(yàn)與評(píng)價(jià)
        2.4.1 實(shí)驗(yàn)數(shù)據(jù)
        2.4.2 對(duì)照方案
            2.4.2.1 隨機(jī)游走模型
            2.4.2.2 ARIMA模型
        2.4.3 評(píng)估方法
        2.4.4 PPEM參數(shù)對(duì)其影響
        2.4.5 對(duì)照實(shí)驗(yàn)與討論
    2.5 本章小結(jié)
第3章 基于LSTM的趨勢(shì)預(yù)測(cè)方法
    3.1 RNN的基本原理
    3.2 LSTM的基本結(jié)構(gòu)
    3.3 RNN常用的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
    3.4 深度學(xué)習(xí)中的相關(guān)技術(shù)
        3.4.1 Dropout技術(shù)
        3.4.2 超參數(shù)搜索技術(shù)
    3.5 實(shí)驗(yàn)與評(píng)價(jià)
    3.6 本章小結(jié)
第4章 模型組合與評(píng)估
    4.1 組合模型的基本思想
    4.2 基于權(quán)重分配的線性組合模型
    4.3 基于誤差修正的組合模型
    4.4 實(shí)驗(yàn)與評(píng)估
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 本文創(chuàng)新點(diǎn)
    5.3 未來(lái)工作展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于組合預(yù)測(cè)模型的股票預(yù)測(cè)方法的研究[J]. 李春興,白建東.  青島理工大學(xué)學(xué)報(bào). 2008(02)
[2]聚類(lèi)算法研究[J]. 孫吉貴,劉杰,趙連宇.  軟件學(xué)報(bào). 2008(01)
[3]小波神經(jīng)網(wǎng)絡(luò)在股票平均線交易規(guī)則中的應(yīng)用[J]. 丁圣,高風(fēng).  計(jì)算機(jī)仿真. 2006(11)
[4]基于數(shù)據(jù)挖掘的金融時(shí)序頻繁模式的快速發(fā)現(xiàn)[J]. 胡曉青,王波.  上海理工大學(xué)學(xué)報(bào). 2006(04)
[5]中國(guó)股市弱有效嗎?——來(lái)自數(shù)據(jù)挖掘的實(shí)證研究[J]. 蘭秋軍,馬超群,甘國(guó)君,吳建宏.  中國(guó)管理科學(xué). 2005(04)
[6]金融時(shí)間序列的概念表示[J]. 宋詠謙,李芳,謝康林.  計(jì)算機(jī)應(yīng)用與軟件. 2005(06)
[7]股票價(jià)格預(yù)測(cè):GARCH模型與BP神經(jīng)網(wǎng)絡(luò)模型的比較[J]. 崔建福,李興緒.  統(tǒng)計(jì)與決策. 2004(06)

碩士論文
[1]基于RBF-GARCH模型的股指預(yù)測(cè)研究[D]. 朱學(xué)婷.蘭州大學(xué) 2015



本文編號(hào)：3665939