基于技術分析和CBR的證券時間排列預測模型的構建
發(fā)布時間：2014-08-10 14:47
第一章緒論
1.1研究背景
市場獲得利潤投資者遵循一個簡單的規(guī)則:“低買高賣"。雖然這個規(guī)則是簡單的和眾所周知的,但是難以跟隨。這是因為市場的趨勢是受很多因素的影響如政治和經(jīng)濟因素,方面,市場本身的影響這些因素。各種市場分析技術應用于解釋股票市場和預測的未來趨勢,但他們對小投資者是不利的,因為這些技術需要一定程度在金融和經(jīng)濟學的專業(yè)知識。此外,這些技術需要收集大量關于市場的數(shù)據(jù),而且需要很多的計算,這對個人小投資者花費太多的精力。因此-個為小投資者進行交易決策的智能技術投資工具是非常有用的。智能技術包括使用模糊邏輯知識表示和使有用的推論或行動,專家系統(tǒng)對證據(jù)和啟發(fā)式推理,神經(jīng)網(wǎng)絡分類和自適應學習,遺傳算法解決優(yōu)化和數(shù)據(jù)挖掘技術的知識發(fā)現(xiàn)等。這□智能技術方法在證券時間序列屮均有應用,通常是幾種技術方法相結合能夠實現(xiàn)更精準的預測:譚華,謝赤,儲慧斌將模糊關聯(lián)規(guī)則股票市場的交姑規(guī)則抽取,能很好的反映股票交易屮的實際情況;張素省fgi釆用邏輯判斷和模糊決策系統(tǒng)相結合的方法對雙重移動平均線技術指標進行處理,最終會給出合理的投資決策意見提出將模糊推理和技術分析有機的結合起來,定義了建立隸屬度函數(shù)的方法,用模糊理論與模糊聚類分析來預測股票的買賣時機的系統(tǒng);段軍偉利用改進的神經(jīng)網(wǎng)絡分類器,設計和實現(xiàn)了一個基于神經(jīng)網(wǎng)絡的股票預測系統(tǒng);李豐龍討論了金融證券系統(tǒng)中的股票預測問題并深入研究了模糊神經(jīng)網(wǎng)絡和支持向量機模型對中國金融證券市場時間序列預測的理論和實際預測結果,并對其進行了分析、比較和評估;
.......
1.2研究現(xiàn)狀案例
在前人研究的基礎上從價量和風險兩個角度提取了股票的若干市場交易屬性作為判別指標,并通過二值Logistic回歸分析確立了指標屬性的權重;隨后采用K最近鄰法作為案例檢索算法,并利用SQL語言對核心算法在數(shù)據(jù)庫中進行了程序實現(xiàn)。推理(case based reasoning, CBR)是人工智能領域里的一種推理技術,源于認知科學中記憶在人類推理活動中所扮演的角色。1982年,美國耶魯大學羅杰克在《Dynamic Memory》一書中提出了動態(tài)記憶理論,描述了記憶是如何隨著經(jīng)驗的增長而自動修改和發(fā)展的,這被看作是CBR思想的正式來源。CBR作為實現(xiàn)人工賀能的重要方法,應用十分廣泛。方圓,胡代平就如何對股價操縱行為進行判別做了研究,設計了一個基于案例推理的股價操縱行為判別系統(tǒng)。析應用于企業(yè)財務危機預警的案例推理中,采用特征屬性的主客觀權重計算案例相似度。得到的案例相似性排序結果符合實際情況,提高了相似企業(yè)的檢索效率,滿足了企業(yè)財務危機預警的要求。Zhanbo LEI- Yoshiyasu YAMADA- Jihong HUANG- You min Xl'"'提出CBR智能預警支持系統(tǒng),它可以警告企業(yè)財務危機,有定量定性的專家知識和警告經(jīng)驗,應用遺傳算法,提高了檢索的精度和有效性。匹配又支持模糊匹配的特點,有效地檢測那些故S偏離檢測規(guī)則的攻出,降低漏報率。時序預測己有不少方法,如分解,指數(shù)平滑,隨機模型,狀態(tài)空間模型,貝葉斯模型,以及一些新方法如神經(jīng)網(wǎng)絡和模糊邏輯,人工智能領域的遺傳算法和模式識別方法等�；〉臅r序預測模型在國內外也均有研究。
.......
第二章金融時間序列及技術分析
2.1金融時間序列
很多潛在的重要信息和事物規(guī)律往往蘊含復雜的時間序列在,詳盡的分析這類重要的復雜數(shù)據(jù)對象,便有可能揭示事物運動、變化和發(fā)展的內在規(guī)律.數(shù)據(jù)按固定的時間間隔采樣,一組被觀測數(shù)據(jù)或信息依次按照時間順序進行排列。很多潛在的重要信息和事物規(guī)律往往蘊含在復雜的時間序列中,詳盡的分析這類重要的復雜數(shù)據(jù)對象,便有可能揭示事物運動、變化和發(fā)展的內在規(guī)律.金融時間序列是金融資產(chǎn)收益序列的重要表現(xiàn)形式,例如股票、基金、外匯、金融衍生品等收益率的分時線、日線等,也是經(jīng)濟與金融領域中最重要的數(shù)據(jù),因此對這類數(shù)據(jù)分析和預測在金融投資預測、決策和風險管理等方面具有重要意義.
.........
2.2證券技術分析理論依據(jù)
2.2.1技術分析的含義
長期以來,人們都在尋求戰(zhàn)勝市場的方法,研究主要可分為兩大流派:基木分析與技術分析�；痉治鰝戎赜谘芯抗緝取⑼獠康亩喾N因素,從而發(fā)現(xiàn)股價運動的規(guī)律;而技術分析卻是直接從價格著手,以股價的動態(tài)和規(guī)律性為主要對象,結合對股票交易數(shù)量和投資心理等市場因素的分析,以幫助投資者選擇投資機會。其中的技術分析,旨在直接分析證券市場的市場行為,其特征是根據(jù)市場以前和當下的行為,以數(shù)學為理論支撐,探索出一些重復出現(xiàn)的規(guī)律,以便于更好的預測證券市場將來價格走勢。技術分析通常是重在研究證券市場行為,對于證券市場趨勢的形成和轉化的成因則不關注,重在強調價格走勢的最終結果,注重研究證券市場的行為。技術分析方法一般分為指標類、切線類、形態(tài)類、K線類、波浪類等5大類,本文主要對指標類和形態(tài)類加以描述。K線又稱錯燭線,是日本德川幕府時期,米商為分析米市行情變化而發(fā)明的,R線圖取每日開市價、最高價、最低價、收市價繪制而成,開市價與收市價之間形成實體,收市價高于開市價,則K線為陽線,反之為陰線。同樣可以根據(jù)每周、每月或每年的價格數(shù)據(jù)繪制周線圖、月線圖和年線圖。K線圖,已廣泛應用于各種技術分析軟件。價格圖表是技術分析最基本的工具,它具有簡捷、直觀的優(yōu)點。K線理論注重短炒,它預測期很短,為了彌補不足,將K線的組合擴展,組成一條上下波動的軌跡,來判別多空力量斗爭,這就是移動趨勢形態(tài)分析。
..........
第三章基于案例推理技術..........23
3.1人工智能與專家系統(tǒng)概述..........23
3.2基于案例推理的基本概念..........24
3.3基于案例推理過程..........26
第四章案例表示與案例庫構造方法..........31
4.1案例特征..........31
4.2案例識別..........35
4.3案例表示..........36
第五章案例檢索的相似匹配算法及特征權值估算方法..........39
5.1案例檢索的相似匹配算法..........39
5.2特征權值估算法..........41
第六章基于技術分析和CBR的證券時間序列預測模型
6.1技術分析
本章詳細介紹了案例搜索的相似匹配算法,包括搜索策略和NN算法;對特征權值估算方法只作了理論上的學習和改進,沒有在本文中具體應用。將根據(jù)主觀經(jīng)驗人為指定特征權值,采用NN算法實現(xiàn)CBR對證券時間序列的預測。通過對市場過去和現(xiàn)在的行為,應用數(shù)學和邏輯的方法,探索出一些典型的規(guī)律,對預測證券市場的未來變化趨勢意義重大。針對這些技術需要一定程度在金融和經(jīng)濟學的專業(yè)知識,對小投資者不利,本文提出一種基于CBR技術的人工智能方法。CBR技術是從以往案例中搜索與,前問題相似的案例,并選擇一個或多個與當前問題最相似和相關的案例,通過對所選案例的適當調整和改寫,從而獲得_前問題求解結果和對這一新案例的存儲以備使用的一種推理模式系統(tǒng)與matlab連接本系統(tǒng)采用了專門的數(shù)據(jù)爾管理系統(tǒng)——SQL Server 2005,它足一個關系數(shù)據(jù)序it理系統(tǒng),它提供的SQL語句可以很方便的對數(shù)據(jù)庫進行各種各樣的操作,例如更新數(shù)據(jù)庫.中的數(shù)據(jù)、從數(shù)據(jù)庫中提取數(shù)據(jù)等。數(shù)據(jù)操作方式是MATLAB+ODBC+SQL Server的形式。
本文主要做了以下幾個方面的內容:1、概述金融時間序列和證券技術分析,介紹了證券技術分析的理論某礎和技術分析方法,本文結合使用K線類及形態(tài)類的技術特征,利用基于最小點實現(xiàn)了典型技術形態(tài)的模式識別。2、詳細描述CBR技術,主要包括案例特征、案例識別和案例檢索的思路及實現(xiàn)算法,利用檢測出證券時間序列的各種技術形態(tài)的指標屬性,包括識別形態(tài)的起止時間、成交量、MA、OBV、RSI等屬性值的信息一并存入案例庫,并實時進行案例修正和學習。利用案例檢索的相似匹配算法一 NN算法,檢索出與目標案例最相似的已經(jīng)存在于案例庫的源案例,實現(xiàn)對證券時間序列未來走勢的預測,并驗證了該模型在理論和實際.用中的準確性及有效性。下一步工作本文結合股票技術分析和CBR技術,以基于最大最小點模式識別出的股價技術形態(tài)為案例,在形態(tài)識別的基礎上,結合技術指標,利用案例檢索的相似匹配算法一NN算法,檢索出與案例最相似的已經(jīng)存在于案例庫中的源案例,預測股票市場的將來價格走勢,進行投資指導。結果表明,基于技術分析和CBR的證券時間序列預測模型能給予投資建議。
..........
參考文獻(略)
本文編號：8277
1.1研究背景
市場獲得利潤投資者遵循一個簡單的規(guī)則:“低買高賣"。雖然這個規(guī)則是簡單的和眾所周知的,但是難以跟隨。這是因為市場的趨勢是受很多因素的影響如政治和經(jīng)濟因素,方面,市場本身的影響這些因素。各種市場分析技術應用于解釋股票市場和預測的未來趨勢,但他們對小投資者是不利的,因為這些技術需要一定程度在金融和經(jīng)濟學的專業(yè)知識。此外,這些技術需要收集大量關于市場的數(shù)據(jù),而且需要很多的計算,這對個人小投資者花費太多的精力。因此-個為小投資者進行交易決策的智能技術投資工具是非常有用的。智能技術包括使用模糊邏輯知識表示和使有用的推論或行動,專家系統(tǒng)對證據(jù)和啟發(fā)式推理,神經(jīng)網(wǎng)絡分類和自適應學習,遺傳算法解決優(yōu)化和數(shù)據(jù)挖掘技術的知識發(fā)現(xiàn)等。這□智能技術方法在證券時間序列屮均有應用,通常是幾種技術方法相結合能夠實現(xiàn)更精準的預測:譚華,謝赤,儲慧斌將模糊關聯(lián)規(guī)則股票市場的交姑規(guī)則抽取,能很好的反映股票交易屮的實際情況;張素省fgi釆用邏輯判斷和模糊決策系統(tǒng)相結合的方法對雙重移動平均線技術指標進行處理,最終會給出合理的投資決策意見提出將模糊推理和技術分析有機的結合起來,定義了建立隸屬度函數(shù)的方法,用模糊理論與模糊聚類分析來預測股票的買賣時機的系統(tǒng);段軍偉利用改進的神經(jīng)網(wǎng)絡分類器,設計和實現(xiàn)了一個基于神經(jīng)網(wǎng)絡的股票預測系統(tǒng);李豐龍討論了金融證券系統(tǒng)中的股票預測問題并深入研究了模糊神經(jīng)網(wǎng)絡和支持向量機模型對中國金融證券市場時間序列預測的理論和實際預測結果,并對其進行了分析、比較和評估;
.......
1.2研究現(xiàn)狀案例
在前人研究的基礎上從價量和風險兩個角度提取了股票的若干市場交易屬性作為判別指標,并通過二值Logistic回歸分析確立了指標屬性的權重;隨后采用K最近鄰法作為案例檢索算法,并利用SQL語言對核心算法在數(shù)據(jù)庫中進行了程序實現(xiàn)。推理(case based reasoning, CBR)是人工智能領域里的一種推理技術,源于認知科學中記憶在人類推理活動中所扮演的角色。1982年,美國耶魯大學羅杰克在《Dynamic Memory》一書中提出了動態(tài)記憶理論,描述了記憶是如何隨著經(jīng)驗的增長而自動修改和發(fā)展的,這被看作是CBR思想的正式來源。CBR作為實現(xiàn)人工賀能的重要方法,應用十分廣泛。方圓,胡代平就如何對股價操縱行為進行判別做了研究,設計了一個基于案例推理的股價操縱行為判別系統(tǒng)。析應用于企業(yè)財務危機預警的案例推理中,采用特征屬性的主客觀權重計算案例相似度。得到的案例相似性排序結果符合實際情況,提高了相似企業(yè)的檢索效率,滿足了企業(yè)財務危機預警的要求。Zhanbo LEI- Yoshiyasu YAMADA- Jihong HUANG- You min Xl'"'提出CBR智能預警支持系統(tǒng),它可以警告企業(yè)財務危機,有定量定性的專家知識和警告經(jīng)驗,應用遺傳算法,提高了檢索的精度和有效性。匹配又支持模糊匹配的特點,有效地檢測那些故S偏離檢測規(guī)則的攻出,降低漏報率。時序預測己有不少方法,如分解,指數(shù)平滑,隨機模型,狀態(tài)空間模型,貝葉斯模型,以及一些新方法如神經(jīng)網(wǎng)絡和模糊邏輯,人工智能領域的遺傳算法和模式識別方法等�；〉臅r序預測模型在國內外也均有研究。
.......
第二章金融時間序列及技術分析
2.1金融時間序列
很多潛在的重要信息和事物規(guī)律往往蘊含復雜的時間序列在,詳盡的分析這類重要的復雜數(shù)據(jù)對象,便有可能揭示事物運動、變化和發(fā)展的內在規(guī)律.數(shù)據(jù)按固定的時間間隔采樣,一組被觀測數(shù)據(jù)或信息依次按照時間順序進行排列。很多潛在的重要信息和事物規(guī)律往往蘊含在復雜的時間序列中,詳盡的分析這類重要的復雜數(shù)據(jù)對象,便有可能揭示事物運動、變化和發(fā)展的內在規(guī)律.金融時間序列是金融資產(chǎn)收益序列的重要表現(xiàn)形式,例如股票、基金、外匯、金融衍生品等收益率的分時線、日線等,也是經(jīng)濟與金融領域中最重要的數(shù)據(jù),因此對這類數(shù)據(jù)分析和預測在金融投資預測、決策和風險管理等方面具有重要意義.
.........
2.2證券技術分析理論依據(jù)
2.2.1技術分析的含義
長期以來,人們都在尋求戰(zhàn)勝市場的方法,研究主要可分為兩大流派:基木分析與技術分析�；痉治鰝戎赜谘芯抗緝取⑼獠康亩喾N因素,從而發(fā)現(xiàn)股價運動的規(guī)律;而技術分析卻是直接從價格著手,以股價的動態(tài)和規(guī)律性為主要對象,結合對股票交易數(shù)量和投資心理等市場因素的分析,以幫助投資者選擇投資機會。其中的技術分析,旨在直接分析證券市場的市場行為,其特征是根據(jù)市場以前和當下的行為,以數(shù)學為理論支撐,探索出一些重復出現(xiàn)的規(guī)律,以便于更好的預測證券市場將來價格走勢。技術分析通常是重在研究證券市場行為,對于證券市場趨勢的形成和轉化的成因則不關注,重在強調價格走勢的最終結果,注重研究證券市場的行為。技術分析方法一般分為指標類、切線類、形態(tài)類、K線類、波浪類等5大類,本文主要對指標類和形態(tài)類加以描述。K線又稱錯燭線,是日本德川幕府時期,米商為分析米市行情變化而發(fā)明的,R線圖取每日開市價、最高價、最低價、收市價繪制而成,開市價與收市價之間形成實體,收市價高于開市價,則K線為陽線,反之為陰線。同樣可以根據(jù)每周、每月或每年的價格數(shù)據(jù)繪制周線圖、月線圖和年線圖。K線圖,已廣泛應用于各種技術分析軟件。價格圖表是技術分析最基本的工具,它具有簡捷、直觀的優(yōu)點。K線理論注重短炒,它預測期很短,為了彌補不足,將K線的組合擴展,組成一條上下波動的軌跡,來判別多空力量斗爭,這就是移動趨勢形態(tài)分析。
..........
第三章基于案例推理技術..........23
3.1人工智能與專家系統(tǒng)概述..........23
3.2基于案例推理的基本概念..........24
3.3基于案例推理過程..........26
第四章案例表示與案例庫構造方法..........31
4.1案例特征..........31
4.2案例識別..........35
4.3案例表示..........36
第五章案例檢索的相似匹配算法及特征權值估算方法..........39
5.1案例檢索的相似匹配算法..........39
5.2特征權值估算法..........41
第六章基于技術分析和CBR的證券時間序列預測模型
6.1技術分析
本章詳細介紹了案例搜索的相似匹配算法,包括搜索策略和NN算法;對特征權值估算方法只作了理論上的學習和改進,沒有在本文中具體應用。將根據(jù)主觀經(jīng)驗人為指定特征權值,采用NN算法實現(xiàn)CBR對證券時間序列的預測。通過對市場過去和現(xiàn)在的行為,應用數(shù)學和邏輯的方法,探索出一些典型的規(guī)律,對預測證券市場的未來變化趨勢意義重大。針對這些技術需要一定程度在金融和經(jīng)濟學的專業(yè)知識,對小投資者不利,本文提出一種基于CBR技術的人工智能方法。CBR技術是從以往案例中搜索與,前問題相似的案例,并選擇一個或多個與當前問題最相似和相關的案例,通過對所選案例的適當調整和改寫,從而獲得_前問題求解結果和對這一新案例的存儲以備使用的一種推理模式系統(tǒng)與matlab連接本系統(tǒng)采用了專門的數(shù)據(jù)爾管理系統(tǒng)——SQL Server 2005,它足一個關系數(shù)據(jù)序it理系統(tǒng),它提供的SQL語句可以很方便的對數(shù)據(jù)庫進行各種各樣的操作,例如更新數(shù)據(jù)庫.中的數(shù)據(jù)、從數(shù)據(jù)庫中提取數(shù)據(jù)等。數(shù)據(jù)操作方式是MATLAB+ODBC+SQL Server的形式。
........
第七章結論與展望
7.1本文工作
本文主要做了以下幾個方面的內容:1、概述金融時間序列和證券技術分析,介紹了證券技術分析的理論某礎和技術分析方法,本文結合使用K線類及形態(tài)類的技術特征,利用基于最小點實現(xiàn)了典型技術形態(tài)的模式識別。2、詳細描述CBR技術,主要包括案例特征、案例識別和案例檢索的思路及實現(xiàn)算法,利用檢測出證券時間序列的各種技術形態(tài)的指標屬性,包括識別形態(tài)的起止時間、成交量、MA、OBV、RSI等屬性值的信息一并存入案例庫,并實時進行案例修正和學習。利用案例檢索的相似匹配算法一 NN算法,檢索出與目標案例最相似的已經(jīng)存在于案例庫的源案例,實現(xiàn)對證券時間序列未來走勢的預測,并驗證了該模型在理論和實際.用中的準確性及有效性。下一步工作本文結合股票技術分析和CBR技術,以基于最大最小點模式識別出的股價技術形態(tài)為案例,在形態(tài)識別的基礎上,結合技術指標,利用案例檢索的相似匹配算法一NN算法,檢索出與案例最相似的已經(jīng)存在于案例庫中的源案例,預測股票市場的將來價格走勢,進行投資指導。結果表明,基于技術分析和CBR的證券時間序列預測模型能給予投資建議。
..........
參考文獻(略)
本文編號：8277
本文鏈接：http://sikaile.net/jingjilunwen/jinrongzhengquanlunwen/8277.html
教材專著
