本文關(guān)鍵詞：基于小波分析和GA-SVR模型的股指期貨價(jià)格預(yù)測(cè)方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：股指期貨和股票現(xiàn)貨一樣都是經(jīng)濟(jì)預(yù)期的“晴雨表”,并且股指期貨具有價(jià)格發(fā)現(xiàn)和套期保值的功能,這些都使得它對(duì)于整個(gè)金融市場是具有重大意義的。雖然投資股指期貨具有較高的收益性,但因?yàn)楣芍钙谪浭袌鲎兓媚獪y(cè),價(jià)格也一直起伏跌宕,所以它同樣存在較高的風(fēng)險(xiǎn)性。為了規(guī)避這種高風(fēng)險(xiǎn)投機(jī)者們一直在尋找一種有效的工具,能夠準(zhǔn)確分析和預(yù)測(cè)股指期貨的價(jià)格,從而獲取豐厚的收益。然而影響股指期貨價(jià)格的因素非常之多,價(jià)格波動(dòng)的變化也顯得異常復(fù)雜,準(zhǔn)確預(yù)測(cè)價(jià)格的變動(dòng)趨勢(shì)成為了一件較為困難的任務(wù)。本文的研究目的就是建立基于小波算法和遺傳-支持向量技術(shù)的回歸預(yù)測(cè)模型,使市場投機(jī)者可以較準(zhǔn)確地預(yù)測(cè)股指期貨價(jià)格的未來走勢(shì),降低投資風(fēng)險(xiǎn)的同時(shí)提高投資的收益。 本文首先總結(jié)了股指期貨價(jià)格預(yù)測(cè)方面的研究進(jìn)展和各種預(yù)測(cè)方法的研究進(jìn)展;然后闡述了小波分析的理論基礎(chǔ)和支持向量機(jī)理論基礎(chǔ),以及在具體應(yīng)用中的各原理;接著根據(jù)支持向量機(jī)在用于預(yù)測(cè)時(shí)所存在的問題引出遺傳算法這一優(yōu)化方法,著重分析了支持向量機(jī)存在參數(shù)難以選擇的問題,并探討如何通過遺傳優(yōu)化算法來彌補(bǔ)這一缺陷;最后在這個(gè)基礎(chǔ)上進(jìn)行具體模型的構(gòu)建和運(yùn)用。 本文具體的研究方法是:首先運(yùn)用小波分析做原始數(shù)據(jù)的前期處理,這樣既可以去除原始數(shù)據(jù)中的噪音部分,也可以應(yīng)用離散小波分析充分提取期貨價(jià)格序列內(nèi)隱含的波動(dòng)和趨勢(shì)信息,這樣的數(shù)據(jù)處理可以更好地把握序列的波動(dòng)性和內(nèi)在的關(guān)聯(lián)性,從而實(shí)現(xiàn)提高預(yù)測(cè)精度的目的;接著運(yùn)用本文建立的基于小波分析和GA-SVR(Genetic Algorithm-Support Vector Regression)的學(xué)習(xí)模型來進(jìn)行智能化訓(xùn)練以達(dá)到很好的預(yù)測(cè)效果;最后將該回歸模型應(yīng)用于股指期貨的實(shí)際價(jià)格數(shù)據(jù)中,進(jìn)行股指期貨價(jià)格預(yù)測(cè)的實(shí)證研究。實(shí)證結(jié)果表明:結(jié)合小波分析進(jìn)行數(shù)據(jù)處理可以提高最終的預(yù)測(cè)精度,遺傳支持向量回歸模型的預(yù)測(cè)精度也比一般的支持向量回歸模型和其他一些常用預(yù)測(cè)模型的預(yù)測(cè)精度都要高,擬合和預(yù)測(cè)的效果也比較好。相比于過去的一般回歸預(yù)測(cè)分析和套用簡單人工智能技術(shù)兩種策略而言,本文的預(yù)測(cè)方法具有更高的經(jīng)濟(jì)應(yīng)用價(jià)值和廣闊的發(fā)展前景。
【關(guān)鍵詞】：股指期貨價(jià)格預(yù)測(cè) 小波分析 支持向量回歸 遺傳算法
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2011
【分類號(hào)】：F830.91;F224
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-19
• 1.1 研究背景與意義10-11
• 1.2 文獻(xiàn)綜述11-16
• 1.2.1 國內(nèi)外對(duì)股指期貨價(jià)格預(yù)測(cè)的研究11-14
• 1.2.2 國內(nèi)外對(duì)時(shí)間序列預(yù)測(cè)方法的研究14-16
• 1.3 研究思路及框架16-19
• 第二章 股指期貨價(jià)格預(yù)測(cè)研究的理論基礎(chǔ)19-39
• 2.1 股指期貨的特征19-21
• 2.2 小波分析理論基礎(chǔ)21-29
• 2.2.1 小波函數(shù)的理論基礎(chǔ)21-23
• 2.2.2 小波變換23-25
• 2.2.3 多分辨率分析25-26
• 2.2.4 Mallat 算法26-28
• 2.2.5 小波包分析28-29
• 2.3 支持向量回歸 SVR 理論基礎(chǔ)29-37
• 2.3.1 統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)29-32
• 2.3.2 支持向量機(jī)（SVM）及其核函數(shù)介紹32-35
• 2.3.3 支持向量回歸（SVR）原理35
• 2.3.4 線性支持向量機(jī)回歸35-36
• 2.3.5 非線性支持向量機(jī)回歸36-37
• 2.4 本章小結(jié)37-39
• 第三章 基于遺傳算法的 SVR 優(yōu)化理論39-51
• 3.1 支持向量機(jī)回歸的參數(shù)選擇問題39-41
• 3.2 支持向量機(jī)回歸的參數(shù)選擇方法41-44
• 3.3 遺傳算法基本理論和算法流程44-50
• 3.3.1 遺傳算法基本原理44-45
• 3.3.2 遺傳算法結(jié)構(gòu)分析與設(shè)計(jì)45-50
• 3.4 本章小結(jié)50-51
• 第四章 基于遺傳算法的 SVR 優(yōu)化模型51-59
• 4.1 基于遺傳算法的支持向量回歸模型的構(gòu)建51-56
• 4.1.1 選擇編碼方式51-52
• 4.1.2 確定搜索范圍52-53
• 4.1.3 設(shè)計(jì)適應(yīng)度函數(shù)53-54
• 4.1.4 進(jìn)行遺傳操作54-55
• 4.1.5 遺傳算法參數(shù)設(shè)定55-56
• 4.2 評(píng)價(jià)指標(biāo)的選擇56-58
• 4.3 本章小結(jié)58-59
• 第五章 應(yīng)用研究59-71
• 5.1 數(shù)據(jù)準(zhǔn)備與小波分析59-62
• 5.1.1 數(shù)據(jù)說明及預(yù)處理59
• 5.1.2 小波分解59-60
• 5.1.3 小波除噪60-61
• 5.1.4 小波重構(gòu)61-62
• 5.2 基于 SVR 的股指期貨日收盤價(jià)時(shí)間序列的預(yù)測(cè)實(shí)證62-70
• 5.2.1 基于單純SVR 模型的股指期貨日收盤價(jià)時(shí)間序列預(yù)測(cè)62-64
• 5.2.2 GA-SVR 模型的性能評(píng)價(jià)64-70
• 5.3 本章小結(jié)70-71
• 結(jié)論71-73
• 參考文獻(xiàn)73-78
• 附錄78-83
• 攻讀碩士學(xué)位期間取得的研究成果83-84
• 致謝84-85
• 附件85

【引證文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 曹柯;危啟才;田魁;;基于EMD和RVM的股指期貨價(jià)格預(yù)測(cè)[J];武漢工業(yè)學(xué)院學(xué)報(bào);2013年02期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 衛(wèi)慶敏;基于小波分析的金融數(shù)據(jù)頻域分析[D];華東師范大學(xué);2012年

  本文關(guān)鍵詞：基于小波分析和GA-SVR模型的股指期貨價(jià)格預(yù)測(cè)方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：258361