作為金融市場的主體,股票市場在一國的經(jīng)濟發(fā)展中起著舉足輕重的作用。股票價格指數(shù)(簡稱股票指數(shù))反映了整個股票市場上各種股票市場價格的總體水平及其變動情況,對其進行預測分析,從宏觀方面看,可以為國家的宏觀決策提供依據(jù),從微觀方面看,可以影響投資者們的投資策略和手段。因此,對于股票指數(shù)的預測研究一直是國內(nèi)外的研究者們關注的熱點。對股票指數(shù)從時間序列研究方法入手,被證明是較為有效的方法。目前對股票指數(shù)時間序列(簡稱股指時序)的研究,有傳統(tǒng)時序模型法和數(shù)據(jù)挖掘法等。小波分析理論的發(fā)展為結(jié)合前兩種方法的優(yōu)點來對股指時序進行多分辨分析和預測提供了極為有效的工具。 因此,本文以股票指數(shù)時間序列數(shù)據(jù)為研究對象,運用小波分析方法對股票指數(shù)時間序列進行去噪和多分辨分析,綜合自回歸滑動平均(autoregressive moving average,ARMA)模型法和支持向量機(support vector machine,SVM)數(shù)據(jù)挖掘法的各自優(yōu)勢,對股指時序的短期走勢進行了預測。本文主要完成了如下工作： 1、總結(jié)了國內(nèi)外關于股票指數(shù)預測方面的進展,提出了基于小波分析的ARMA-SVM組合預測模型； 2、對于股票指數(shù)的特征進行分析,并闡述了本文建模的理論基礎,重點說明了小波分析理論,特別是小波去噪和多分辨分析的原理,ARMA模型預測法及其實現(xiàn)過程,介紹了SVM模型的理論,著重說明了SVM理論在應用中的原理以及參數(shù)的選擇。 3、在此理論基礎上,詳細闡述了本文的基于小波分析的ARMA-SVM組合預測模型的構(gòu)造過程：首先采用小波對股指時序數(shù)據(jù)進行去噪處理,然后對其進行小波分解,得到了尺度變換序列和各級小波變換序列,驗證了尺度變換序列的非平穩(wěn)性和小波變換序列的平穩(wěn)性,然后建立ARMA模型對平穩(wěn)的小波變換序列進行預測,應用支持向量機學習模型對非平穩(wěn)的尺度變換序列進行智能化訓練和預測,然后對分析結(jié)果進行整合,得出組合模型的預測結(jié)果。 4、最后,進行實證研究,證明了應用該組合模型,能夠?qū)崿F(xiàn)對股票市場時間序列數(shù)據(jù)的較為準確的預測,且預測準確率高于單純使用SVM模型,因而有更廣闊的應用前景。
【學位單位】：華東師范大學
【學位級別】：碩士
【學位年份】：2012
【中圖分類】：F830.91;F224
【文章目錄】：
摘要
Abstract
目錄
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外股票指數(shù)時間序列研究回顧
    1.3 本文的研究思路
第二章 股指時間序列的特征及組合預測模型的理論基礎
    2.1 股指時間序列特征的實證分析
    2.2 小波分析理論
        2.2.1 小波的定義
        2.2.2 連續(xù)小波變換
        2.2.3 離散小波變換
        2.2.4 小波基函數(shù)及其特性
        2.2.5 多分辨分析
    2.3 自回歸移動平均(ARMA)模型
        2.3.1 自回歸移動平均模型概述
        2.3.2 自回歸移動平均模型建模過程
        2.3.3 差分自回歸移動平均模型
    2.4 支持向量機(SVM)模型
        2.4.1 支持向量機的統(tǒng)計學習理論基礎
        2.4.2 最優(yōu)分類超平面
        2.4.3 支持向量機的優(yōu)化問題
        2.4.4 支持向量機的對偶問題
        2.4.5 支持向量分類機的算法
        2.4.6 支持向量機的核函數(shù)
        2.4.7 支持向量機參數(shù)的選取方法
    2.5 小結(jié)
第三章 組合預測模型在股票指數(shù)時間序列預測中的實證研究
    3.1 研究思路概述
    3.2 模型評價方法
    3.3 實證分析
        3.3.1 數(shù)據(jù)選取說明
        3.3.2 小波去噪
        3.3.3 小波多分辨分析
        3.3.4 尺度序列和小波變換序列的平穩(wěn)性檢驗
        3.3.5 小波變換序列的自回歸移動平均模型建模預測
        3.3.6 尺度序列的支持向量機建模預測
        3.3.7 預測結(jié)果擬合
    3.4 模型比較
    3.5 小結(jié)
第四章 總結(jié)
參考文獻
致謝

【參考文獻】

相關期刊論文 前10條

1 劉美霞;;基于ARIMA模型的深證指數(shù)分析及預測[J];中國城市經(jīng)濟;2011年18期

2 胡桔州,蘭秋軍;金融時間序列的數(shù)據(jù)挖掘技術(shù)與經(jīng)典統(tǒng)計模型的比較[J];系統(tǒng)工程;2005年06期

3 谷政;褚保金;江惠坤;;非平穩(wěn)時間序列分析的WAVELET—ARMA組合方法及其應用[J];系統(tǒng)工程;2010年01期

4 張莉,周偉達,焦李成;子波核函數(shù)網(wǎng)絡[J];紅外與毫米波學報;2001年03期

5 張彩霞;付小明;;ARCH族模型在上證指數(shù)中的應用與預測[J];經(jīng)濟與管理;2009年12期

6 馬野;劉文博;董小剛;王純杰;;基于小波分解的高頻金融時間序列預測[J];長春工業(yè)大學學報(自然科學版);2009年04期

7 曲文龍;李海燕;劉永偉;楊炳儒;;基于小波和支持向量機的多尺度時間序列預測[J];計算機工程與應用;2007年29期

8 蘭秋軍,馬超群,文鳳華;金融時間序列去噪的小波變換方法[J];科技管理研究;2004年06期

9 白營閃;;基于ARIMA模型對上證指數(shù)的預測[J];科學技術(shù)與工程;2009年16期

10 胡俊勝,肖冬榮,夏景明;基于小波神經(jīng)網(wǎng)絡的經(jīng)濟預測研究[J];統(tǒng)計與決策;2005年06期

本文編號：2839371