本文關鍵詞： BP神經網絡 GARCH模型 短期預測　出處：《蘭州大學》2014年碩士論文　論文類型：學位論文

【摘要】：隨著中國金融市場與國際接軌,金融衍生品市場初步建成,金融投資工具在多樣化、高杠桿的條件下也帶來了巨大的金融風險.復雜多變的金融市場上對于金融投資分析工具的要求也就更高,催生出了多種對于股票價格預測的方法.對于不同的數據以及不同的市場環(huán)境需要不同分析方法.神經網絡算法所具有的分布式存儲數據以及學習反饋機制的特點使得它在預測等方面有獨到的作用.本文中選取中國銀行股票收盤價,采用BP神經網絡(即前饋模型)和GARCH模型的方法對股票價格進行了預測,通過對比分析得出結論BP神經網絡在隱含層節(jié)點數為5時對于市場數據擬合度最好；而GARCH模型在對股票價格預測方面也是有效的,主要是因為中國銀行股票數據具有尖峰厚尾和平穩(wěn)性特征.最終得出結論兩種預測方法都能夠對中國銀行股票短期價格進行預測,但BP神經網絡預測方法優(yōu)于GARCH模型的預測方法.
[Abstract]:With China's financial market in line with international standards, the financial derivatives market has been initially established, and financial investment instruments are diversifying. Under the condition of high leverage, it also brings great financial risks. The requirements for financial investment analysis tools in complex and changeable financial markets are even higher. Different analysis methods are needed for different data and different market environment. The distributed storage data and learning feedback mechanism of neural network algorithm are special. In this paper, the closing price of Bank of China stock is selected. The method of BP neural network (i.e. feedforward model) and GARCH model are used to predict the stock price. Through comparative analysis, it is concluded that BP neural network has the best fit for market data when the number of hidden layer nodes is 5:00. The GARCH model is also effective in forecasting the stock price, mainly because the bank of China stock data has the characteristics of peak, thick tail and stability. Finally, it is concluded that both of the two forecasting methods can predict the short-term price of Bank of China stock. But BP neural network is better than GARCH model.
【學位授予單位】：蘭州大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TP183;F832.51

【參考文獻】

相關期刊論文 前5條

1 劉柯;;基于主成分分析的BP神經網絡在城市建成區(qū)面積預測中的應用——以北京市為例[J];地理科學進展;2007年06期

2 范高鋒;王偉勝;劉純;;基于人工神經網絡的風電功率短期預測系統(tǒng)[J];電網技術;2008年22期

3 張慶霄;;大盤指數對股票價格的影響及股票價格預測研究——基于上市公司的定期報告[J];科技信息;2010年05期

4 李岳,王繼平,歸江;股價波動及相關因素的實證研究[J];數理統(tǒng)計與管理;1998年06期

5 顧鋒娟;岑仲迪;;基于GARCH類模型和SV類模型的滬深兩市波動性研究[J];數學的實踐與認識;2011年01期

，

本文編號：1509044