本文關鍵詞：基于優(yōu)化算法的股票預測研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著經(jīng)濟的快速發(fā)展和綜合國力的不斷提高,股票投資逐漸成為人們生活中的重要組成部分,同時股價的預測也逐漸成為金融者們分析和研究的重點。股票市場是一種極其復雜的系統(tǒng),它由眾多因素與各種不確定性共同影響和作用,較強的非線性是股票價格波動經(jīng)常表現(xiàn)出來的特征,運動曲線復雜。研究股票預測問題是一個重要研究課題。本文結合股票運行特性、技術指標,分析了股票預測的關鍵問題,重點探討了幾種股價預測方法,并提出采用多個模型對股價進行組合預測,其有效地結合了各個模型的有用信息,解決了單個模型的局限性,組合預測能夠很好的提高預測精度。在以下幾個方面取得了一些成果。(1)在分析股票技術指標及常用方法的基礎上,采用最小二乘法擬合股票價格,預測下個特定時期的股價,同時結合仿真結果分析了該方法的優(yōu)缺點。(2)采用灰色預測法對股票價格進行預測。通過分析股票特性,結合灰色預測法特點,推導出了灰色預測算法迭代算式,為股票預測提供了一種有效的方法。并結合股票運行情況分析了該方法的優(yōu)缺點。(3)采用神經(jīng)網(wǎng)絡對股票運行進行預測。首先采用BP神經(jīng)網(wǎng)絡對股票價格進行預測,探討了預測方法并給出了仿真結果。為了克服BP神經(jīng)網(wǎng)絡預測速度和精度的問題,提出采用動態(tài)NNARX網(wǎng)絡進行預測。利用改進的L-M算法訓練神經(jīng)網(wǎng)絡的權值,并間接地確定NNARX的隱含層神經(jīng)元個數(shù)。通過理論對比和仿真結果分析,得出NNARX網(wǎng)絡具有較好的預測效果,并能夠節(jié)省訓練時間和次數(shù)。(4)提出了股票價格的組合預測方法。因為股價的隨機不確定性,股價的預測僅靠一個預測模型和某一種預測方法是難以完成的。將不同的預測法以某種準則進行合適的組合,得出一種合適于多種情況的預測模型。為了適應各種股票和很多復雜情況,組合權值采用遺傳算法進行優(yōu)化,通過大量樣本優(yōu)化找到合適的組合參數(shù),解決了組合權值難以確定的問題。同時很好的克服了單一方法的局限性。
【關鍵詞】：股票預測 最小二乘法 灰色預測 神經(jīng)網(wǎng)絡 組合預測
【學位授予單位】：湖北工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：F832.51;TP18
【目錄】：

• 摘要5-6
• Abstract6-7
• 目錄7-10
• 第1章 緒論10-14
• 1.1 課題的研究背景10-11
• 1.2 國內(nèi)外的研究現(xiàn)狀11-12
• 1.3 立題意義12-13
• 1.4 本文主要研究內(nèi)容13-14
• 第2章 股價預測的關鍵問題14-21
• 2.1 引言14-15
• 2.2 股價預測的可能性15-16
• 2.3 股票的技術指標及常用方法16-18
• 2.3.1 股票的技術指標16-17
• 2.3.2 股票預測的常用方法17-18
• 2.4 股價預測的基本步驟18
• 2.5 股票預測面臨的問題18-20
• 2.6 本章小結20-21
• 第3章 非線性最小二乘法預測股價21-26
• 3.1 引言21
• 3.2 非線性最小二乘法定義21-24
• 3.3 非線性最小二乘法實現(xiàn)股價預測24
• 3.4 本章小結24-26
• 第4章 灰色預測法預測股價26-34
• 4.1 引言26-27
• 4.2 系統(tǒng)功能模擬與灰色分析27-29
• 4.3 GM(1,1)模型29-30
• 4.3.1 GM(1,1)的定義29-30
• 4.3.2 GM(1,1)的白化型30
• 4.4 灰色預測的基本步驟30-32
• 4.5 灰色預測實現(xiàn)股價預測32-33
• 4.6 本章小結33-34
• 第5章 基于神經(jīng)網(wǎng)絡的股價預測34-50
• 5.1 引言34-35
• 5.2 基于BP神經(jīng)網(wǎng)絡的股票預測35-42
• 5.2.1 BP神經(jīng)網(wǎng)絡結構35-36
• 5.2.2 BP學習算法36-38
• 5.2.3 隱含層節(jié)點數(shù)的確定38-39
• 5.2.4 數(shù)據(jù)的歸一化39-40
• 5.2.5 BP神經(jīng)網(wǎng)絡預測股價的基本步驟40-41
• 5.2.6 BP神經(jīng)網(wǎng)絡預測股價存在的問題41
• 5.2.7 BP神經(jīng)網(wǎng)絡仿真預測分析41-42
• 5.3 基于NNARX網(wǎng)絡的股票預測42-49
• 5.3.1 NNARX網(wǎng)絡結構與辨識原理42-43
• 5.3.2 訓練算法及其出現(xiàn)的問題43-45
• 5.3.3 改進的L-M算法分析45-47
• 5.3.4 NNARX網(wǎng)絡預測仿真結果分析47-49
• 5.4 本章小結49-50
• 第6章 基于遺傳算法的股票組合預測研究50-58
• 6.1 引言50
• 6.2 組合預測的基本原理50-51
• 6.3 基于遺傳算法的權值優(yōu)化51-55
• 6.3.1 遺傳算法簡介51-53
• 6.3.2 遺傳算法設計過程53-54
• 6.3.3 權值優(yōu)化54-55
• 6.4 股票的組合預測實證分析55-57
• 6.4.1 組合預測1及分析55-56
• 6.4.2 組合預測2及分析56-57
• 6.5 本章小結57-58
• 第7章 總結與展望58-59
• 7.1 總結58
• 7.2 展望58-59
• 參考文獻59-62
• 致謝62-63
• 附錄63

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王天娥;葉德謙;季春蘭;;粗糙集屬性約簡方法在股票預測中的應用研究[J];計算機工程與應用;2009年30期

2 陳小玉;駱小紅;;基于分割提速法的并行股票預測研究與仿真[J];計算機仿真;2012年05期

3 周緒川;;基于分割提速法和多線程的股票預測方法[J];蘭州理工大學學報;2013年02期

4 劉軍;邱曉紅;汪志勇;楊鵬;;基于相似性最優(yōu)模塊神經(jīng)網(wǎng)絡的股票預測[J];江西師范大學學報(自然科學版);2008年04期

5 魏立龍;許東方;孫浩;周明祥;;基于遺傳算法的小波神經(jīng)網(wǎng)絡在股票預測中的應用[J];信息與電腦(理論版);2011年05期

6 林倩瑜;馮少榮;張東站;;基于神經(jīng)網(wǎng)絡和模式匹配的股票預測研究[J];計算機技術與發(fā)展;2010年05期

7 張晨希;張燕平;張迎春;陳潔;萬忠;;基于支持向量機的股票預測[J];計算機技術與發(fā)展;2006年06期

8 張晨希;張迎春;萬忠;陳潔;張燕平;張鈴;;基于交叉覆蓋算法的股票預測[J];微機發(fā)展;2005年12期

9 許雁;陳月輝;曹毅;;基于隨機微分方程模型的股票預測[J];信息技術與信息化;2011年05期

10 張揚武;;基于時間序列和神經(jīng)網(wǎng)絡相結合的股票預測研究[J];電腦知識與技術;2009年01期

中國重要報紙全文數(shù)據(jù)庫 前1條

1 若沖;比追逐財富更重要[N];市場報;2001年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 徐嫩霞;基于協(xié)同認知的智能股票預測[D];昆明理工大學;2000年

2 孫巍巍;基于多指標群決策理論的股票預測系統(tǒng)研究[D];昆明理工大學;2002年

3 陶嗣干;覆蓋算法在股票預測中的應用[D];安徽大學;2010年

4 劉海s，

本文編號：276892