本文選題：ARMA模型 + BP神經(jīng)網(wǎng)絡(luò)�。� 參考：《大連理工大學(xué)》2013年碩士論文

【摘要】：股票市場是金融市場的一個重要組成部分,股票的趨勢與波動能夠反映一個國家的政治、經(jīng)濟(jì)和社會狀況,指導(dǎo)國家宏觀調(diào)控。同時,隨著經(jīng)濟(jì)的發(fā)展和人民生活水平的提高,越來越多的人開始把多余的資金用來做投資,股票就是最常見的投資方式之一。因此,股票預(yù)測是一個很重要的金融課題,它對于國家經(jīng)濟(jì)宏觀調(diào)控和投資者買賣股票并規(guī)避風(fēng)險以獲得最大收益,都具有重要意義。然而,股票價格受到很多因素的影響,如政治、經(jīng)濟(jì)、公司狀況、投資者心理等等,因此股票價格序列是一個復(fù)雜的非線性動態(tài)系統(tǒng),很難準(zhǔn)確預(yù)測。 ARMA模型是最常用的時間序列預(yù)測模型之一,它能很好的處理線性問題,BP神經(jīng)網(wǎng)絡(luò)模型是一種非線性模型,對非線性序列能得到更好的預(yù)測效果。本文首先介紹這兩種用于股票預(yù)測的單一模型的基本原理,用MATLAB編程建模實現(xiàn)了這兩種模型并對中國石油和微軟公司兩支股票的股價進(jìn)行了擬合與預(yù)測。然而,由于股價序列的復(fù)雜性,使用單一模型不能達(dá)到很好的預(yù)測效果,故本文提出了兩種股票預(yù)測組合模型,ARMA-BP組合模型和ARMA-BP-Markov組合模型。ARMA模型和BP神經(jīng)網(wǎng)絡(luò)分別用于處理股價序列的線性和非線性部分,Markov模型用于對預(yù)測結(jié)果進(jìn)行修正,使其更加準(zhǔn)確。實驗結(jié)果表明,組合模型的預(yù)測結(jié)果優(yōu)于ARMA模型或BP神經(jīng)網(wǎng)絡(luò)單一模型,且ARMA-BP-Markov(?)(?)合模型能夠比ARMA-BP組合模型得到更準(zhǔn)確的預(yù)測結(jié)果。
[Abstract]:The stock market is an important part of the financial market. The trend and fluctuation of the stock market can reflect the political, economic and social situation of a country and guide the national macro-control. At the same time, with the development of economy and the improvement of people's living standard, more and more people begin to use surplus funds to invest. Stock is one of the most common investment methods. Therefore, stock forecasting is a very important financial issue, which is of great significance to national macroeconomic regulation and control and investors to buy and sell stocks and avoid risk to get the maximum return. However, stock price is influenced by many factors, such as politics, economy, company condition, investor psychology and so on. Therefore, stock price sequence is a complex nonlinear dynamic system, which is difficult to predict accurately. ARMA model is one of the most commonly used time series prediction models. It can deal with linear problems and BP neural network model is a kind of nonlinear model. This paper first introduces the basic principles of these two single models for stock forecasting, and implements the two models by using MATLAB programming model, and simulates and forecasts the stock prices of two stocks of PetroChina and Microsoft. However, because of the complexity of stock price sequence, using a single model can not achieve a good prediction effect. In this paper, two stock forecasting models, ARMA-BP combined model and ARMA-BP-Markov combination model. ARMA model and BP neural network are proposed to deal with the linear and nonlinear partial Markov models of stock price sequence, respectively, to modify the prediction results to make them more accurate. The experimental results show that the combined model is superior to the ARMA model or the BP neural network model, and ARMA-BP-Markovo model. The combined model can obtain more accurate prediction results than the ARMA-BP combined model.
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：F830.91;F224;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉勇;我國股票市場和宏觀經(jīng)濟(jì)變量關(guān)系的經(jīng)驗研究[J];財貿(mào)經(jīng)濟(jì);2004年04期

2 吳微,陳維強,劉波;用BP神經(jīng)網(wǎng)絡(luò)預(yù)測股票市場漲跌[J];大連理工大學(xué)學(xué)報;2001年01期

3 常松,何建敏;小波包與神經(jīng)網(wǎng)絡(luò)相結(jié)合的股票價格預(yù)測模型[J];東南大學(xué)學(xué)報(自然科學(xué)版);2001年05期

4 陳偉;吳耀武;婁素華;熊信艮;;基于累積式自回歸動平均法和反向傳播神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測模型[J];電網(wǎng)技術(shù);2007年03期

5 余健;郭平;;基于RBF網(wǎng)絡(luò)的金融時間序列預(yù)測[J];湖南工程學(xué)院學(xué)報(自然科學(xué)版);2007年04期

6 劉紅梅;;ARIMA模型在股票價格預(yù)測中的應(yīng)用[J];廣西輕工業(yè);2008年06期

7 張立軍;苑迪;;基于GA-Elman動態(tài)回歸神經(jīng)網(wǎng)絡(luò)的股價預(yù)測模型研究[J];華東經(jīng)濟(jì)管理;2008年09期

8 韓路躍,杜行檢;基于MATLAB的時間序列建模與預(yù)測[J];計算機仿真;2005年04期

9 李春興;白建東;;基于組合預(yù)測模型的股票預(yù)測方法的研究[J];青島理工大學(xué)學(xué)報;2008年02期

10 周佩玲,陶小麗,傅忠謙,彭虎,王新躍;基于遺傳算法的RBF網(wǎng)絡(luò)用于股票短期預(yù)測[J];數(shù)據(jù)采集與處理;2001年02期

相關(guān)碩士學(xué)位論文 前10條

1 黃蕓;基于神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測模型研究[D];天津大學(xué);2011年

2 孫忠華;基于遺傳算法神經(jīng)網(wǎng)絡(luò)的自動藥劑量辯識研究[D];重慶大學(xué);2003年

3 李衛(wèi)民;ARMA-廣義回歸神經(jīng)網(wǎng)絡(luò)技術(shù)在股票預(yù)測中的應(yīng)用研究[D];山東科技大學(xué);2004年

4 趙燕;基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測分析和研究[D];長安大學(xué);2006年

5 潘林;基于小波分析與神經(jīng)網(wǎng)絡(luò)的股票市場預(yù)測應(yīng)用研究[D];武漢理工大學(xué);2006年

6 楊希;基于數(shù)據(jù)挖掘的股票預(yù)測研究[D];長春理工大學(xué);2008年

7 王莎;BP神經(jīng)網(wǎng)絡(luò)在股票預(yù)測中的應(yīng)用研究[D];中南大學(xué);2008年

8 艾永冠;粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)在股市預(yù)測中的建模與應(yīng)用[D];合肥工業(yè)大學(xué);2009年

9 曾海龍;基于缺陷相關(guān)的腐蝕管道可靠性評價[D];蘭州理工大學(xué);2010年

10 沈波;基于BP神經(jīng)網(wǎng)絡(luò)的股價預(yù)測應(yīng)用研究[D];湖南大學(xué);2010年

，

本文編號：1818601