本文選題：股價(jià)預(yù)測　切入點(diǎn)：投資指導(dǎo)　出處：《暨南大學(xué)》2017年碩士論文

【摘要】：隨著金融業(yè)和計(jì)算機(jī)技術(shù)的快速發(fā)展,為獲取超額或穩(wěn)定投資收益的量化選股研究在我國已經(jīng)逐漸興起。因此基于機(jī)器學(xué)習(xí)算法構(gòu)建量化模型進(jìn)行股價(jià)預(yù)測和投資指導(dǎo)十分有必要,但股票市場是一個(gè)復(fù)雜的非線性系統(tǒng),利用傳統(tǒng)算法構(gòu)建模型作為股價(jià)預(yù)測和投資指導(dǎo)的工具,具有很大的局限性,且傳統(tǒng)量化模型偏單一。因此本文將基于主成分分析法進(jìn)行上市企業(yè)財(cái)務(wù)狀況評價(jià)研究、基于主成分分析法與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合方法進(jìn)行股價(jià)預(yù)測研究和傳統(tǒng)的選股分析方法組合構(gòu)建多樣化的量化選股模型。因?yàn)榻陙砩窠?jīng)網(wǎng)絡(luò)對于處理非線性問題展現(xiàn)出了獨(dú)特的優(yōu)勢,神經(jīng)網(wǎng)絡(luò)通過對股票歷史數(shù)據(jù)的學(xué)習(xí),將股價(jià)變化的規(guī)律存儲(chǔ)在神經(jīng)元的權(quán)值中,通過運(yùn)用訓(xùn)練好的網(wǎng)絡(luò)來預(yù)測未來股價(jià)。本文的主要工作具體為:首先通過運(yùn)用主成分分析法對深圳A股市場上廣東地區(qū)的上市公司主要財(cái)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行分析得到了評價(jià)指標(biāo)綜合得分,依據(jù)綜合得分可以直接且全面的了解上市公司的財(cái)務(wù)狀況,實(shí)證研究表明該模型評價(jià)方法的有效性。其次本文將財(cái)務(wù)指標(biāo)數(shù)據(jù)和交易指標(biāo)數(shù)據(jù)同時(shí)作為股價(jià)預(yù)測研究的輸入變量,實(shí)證研究發(fā)現(xiàn)基于主成分分析法和BP神經(jīng)網(wǎng)絡(luò)的結(jié)合方法進(jìn)行股價(jià)預(yù)測能夠有效且準(zhǔn)確度較高的評判股票下一年同季度的漲跌情況,我們采用了三種BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行實(shí)驗(yàn),其中基于貝葉斯正則化算法的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型預(yù)測準(zhǔn)確度最高且模型訓(xùn)練過程中能夠有效避免過擬合現(xiàn)象,預(yù)測值與實(shí)際值誤差較小。最后本文的綜合選股方案為:先選取基于主成分分析法進(jìn)行上市企業(yè)財(cái)務(wù)狀況評價(jià)研究所推薦的前25%的股票,然后再選取基于主成分分析法與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合方法進(jìn)行股價(jià)預(yù)測研究所推薦的前25%的股票,最后結(jié)合傳統(tǒng)的選股分析方法綜合分析選取上市企業(yè)財(cái)務(wù)狀況評價(jià)研究和股價(jià)預(yù)測研究兩者共同推薦的前25%的股票中的小盤股作為下一年年中最優(yōu)的投資股票。
[Abstract]:With the rapid development of finance and computer technology, In order to obtain excess or stable investment income, the research of quantitative stock selection has gradually risen in China, so it is necessary to build a quantitative model based on machine learning algorithm for stock price prediction and investment guidance. But the stock market is a complex nonlinear system. It is very limited to use the traditional algorithm to construct the model as the tool of stock price prediction and investment guidance. Therefore, based on the principal component analysis method, the financial status evaluation of listed enterprises will be studied in this paper. Based on the combination of principal component analysis (PCA) and BP neural network (BP neural network), stock price prediction and traditional stock selection analysis are combined to construct a diversified quantitative stock selection model. The neural network has been used to deal with nonlinear problems in recent years. Showing unique advantages, The neural network stores the law of stock price change in the weight of neuron by learning the historical data of stock. The main work of this paper is to analyze the main financial index data of listed companies in Shenzhen A share market by using principal component analysis method. The comprehensive score of evaluation index is obtained, According to the comprehensive score, we can directly and comprehensively understand the financial situation of listed companies, The empirical study shows the effectiveness of the evaluation method. Secondly, the financial index data and the transaction index data are taken as the input variables of the stock price forecasting research. The empirical study shows that the combination of principal component analysis and BP neural network can effectively and accurately judge the stock price fluctuation in the same quarter of next year. We use three BP neural network algorithms to carry out experiments. The BP neural network based on Bayesian regularization algorithm has the highest prediction accuracy and can avoid overfitting effectively in the process of model training. The error between the forecast value and the actual value is small. Finally, the comprehensive stock selection scheme of this paper is as follows: firstly, the first 25% stocks recommended by the Institute of Financial Evaluation of listed Enterprises based on Principal component Analysis (PCA) are selected. Then select the method based on the combination of principal component analysis and BP neural network to carry out the first 25% stocks recommended by the Research Institute for Stock Price Prediction. Finally, combined with the traditional stock selection analysis method, the paper selects the small-cap stocks of the top 25% stocks recommended by both of them as the best investment stock in the middle of next year.
【學(xué)位授予單位】：暨南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP183;F832.51

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊春生;牛紅濤;隋良紅;李明興;;基于貝葉斯正則化算法BP神經(jīng)網(wǎng)絡(luò)釩電池SOC預(yù)測[J];現(xiàn)代電子技術(shù);2016年08期

2 趙辰;南星恒;;基于MEA-BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警研究[J];財(cái)會(huì)通訊;2016年01期

3 李帥;蔣銘;謝旺;;基于散戶視角的選股策略分析[J];中國集體經(jīng)濟(jì);2014年30期

4 王樹旺;路永鋼;陳旭榮;;基于共軛梯度優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)在高能粒子鑒別等領(lǐng)域中的應(yīng)用[J];原子核物理評論;2014年03期

5 丁立濤;林全盛;張念思;袁神;;主成分分析法在證券公司評級中的應(yīng)用[J];統(tǒng)計(jì)與決策;2012年13期

6 田婷婷;;PCA在創(chuàng)業(yè)板上市企業(yè)財(cái)務(wù)分析中的應(yīng)用[J];東方企業(yè)文化;2011年20期

7 何巖;康會(huì)欣;;基本面選股是核心方法[J];大眾理財(cái)顧問;2011年06期

8 歐陽金亮;陸黎明;;綜合改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法在股價(jià)預(yù)測中的應(yīng)用[J];計(jì)算機(jī)與數(shù)字工程;2011年02期

9 李云飛;龔冬生;惠曉峰;;基于價(jià)值投資的PCA-SVM股票選擇模型研究[J];西安工程大學(xué)學(xué)報(bào);2009年03期

10 李響;;基于BP神經(jīng)網(wǎng)絡(luò)的股價(jià)預(yù)測[J];大連海事大學(xué)學(xué)報(bào);2008年S1期

相關(guān)博士學(xué)位論文 前2條

1 劉帥;量化投資：若干金融衍生品的定價(jià)模型及投資策略研究[D];上海大學(xué);2016年

2 利亞濤;上市公司股票估值與A股市場實(shí)證研究[D];中國社會(huì)科學(xué)院研究生院;2010年

相關(guān)碩士學(xué)位論文 前7條

1 萬騰飛;基于BP神經(jīng)網(wǎng)絡(luò)的股價(jià)預(yù)測研究[D];廣西大學(xué);2015年

2 朱世清;多因子選股模型的構(gòu)建與應(yīng)用[D];山東財(cái)經(jīng)大學(xué);2015年

3 趙海朋;國內(nèi)量化選股模型研究[D];蘇州大學(xué);2015年

4 羅毅;基于BP神經(jīng)網(wǎng)絡(luò)與智能算法的股價(jià)預(yù)測方法研究[D];深圳大學(xué);2015年

5 朱霄;A股市場小盤股統(tǒng)計(jì)套利策略的應(yīng)用研究[D];西南財(cái)經(jīng)大學(xué);2014年

6 李墨;我國股票價(jià)格與會(huì)計(jì)信息的相關(guān)性研究[D];財(cái)政部財(cái)政科學(xué)研究所;2013年

7 黃麗;BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)及應(yīng)用研究[D];重慶師范大學(xué);2008年

，

本文編號：1685712